Artigo

Anselmo Mancini; Wagner Dos Anjos Carvalho

DOI: 10.22167/2675-6528-202601680

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A Radioterapia Estereotáxica Corpórea (SBRT) com Arco Modulado Volumetricamente (VMAT) é um método avançado para tratamento do câncer de pulmão, cujo planejamento complexo se beneficia da predição da distribuição de dose. Objetivou-se desenvolver um modelo de machine learning explicável para predizer curvas histograma dose-volume (DVH) de órgãos adjacentes ao tumor em pacientes submetidos à SBRT pulmonar com técnica VMAT. Analisaram-se dados de 350 pacientes tratados no Hospital Sírio-Libanês entre 2017 e 2025. Os dados extraídos automaticamente do sistema de planejamento incluíram descritores baseados em Distance-to-Target Histogram (DTH), volume do alvo e curvas DVH. Aplicou-se análise fatorial para redução de dimensionalidade, e os constructos resultantes foram utilizados em um modelo de regressão XGBoost, complementado pela técnica de explicabilidade SHAP para interpretação das estimativas. O modelo demonstrou desempenho consistente para os quatro órgãos estudados (árvore brônquica, coração, esôfago e medula), com coeficiente de determinação no conjunto de teste entre 0,937 e 0,954, e boa concordância visual entre curvas observadas e preditas. As análises de explicabilidade indicaram coerência entre as estimativas e a relação espacial entre alvo e órgãos. A abordagem mostrou potencial para apoiar o planejamento e a avaliação radioterápica, sintetizando a relação espacial entre alvo e órgãos e acrescentando transparência às estimativas do modelo. Palavras-chave: Distance-to-Target Histogram; SBRT; SHAP; VMAT; XGBoost.

1. Introdução

O câncer representa uma das principais causas de mortalidade global, com o câncer de pulmão sendo o tipo mais prevalente (Bray et al., 2024; Siegel et al., 2025). A radioterapia desempenha um papel fundamental no tratamento, sendo utilizada em cerca de metade dos pacientes diagnosticados. Uma abordagem eficaz para o câncer de pulmão é a Radioterapia Estereotáxica Corpórea, ou SBRT, que administra doses elevadas de radiação em poucas sessões. Esta técnica é uma alternativa não invasiva à cirurgia em casos de câncer de pulmão de não pequenas células em estágio inicial, proporcionando bom controle local da doença (Chang et al., 2015).

Dentre as técnicas de SBRT, o Arco Modulado Volumetricamente, ou VMAT, é uma das mais avançadas e amplamente adotadas. O VMAT permite a entrega de distribuições complexas de radiação, altamente adaptadas à forma do tumor, preservando ao máximo os tecidos sadios adjacentes, mesmo em geometrias irregulares (Otto, 2008). Contudo, o planejamento desse tratamento é uma etapa crucial e complexa, frequentemente baseada em um processo iterativo de tentativa e erro, utilizando softwares especializados. Esse processo pode consumir tempo significativo e, eventualmente, resultar em planejamentos subótimos devido à sua complexidade e às restrições de tempo.

A predição da distribuição de dose antes do planejamento pode otimizar essa etapa, contribuindo para maior objetividade e consistência. Nos últimos anos, modelos de Machine Learning e Deep Learning têm sido explorados para prever a dose em radioterapia, com potencial para reduzir o tempo de planejamento e padronizar a qualidade dos tratamentos (Brodin et al., 2022; Jiao et al., 2021; McIntosh et al., 2021; Momin et al., 2021; Scaggion et al., 2018). Esses modelos visam predizer o Histograma Dose-Volume, ou DVH, uma representação gráfica que relaciona o volume de uma estrutura à dose recebida.

Modelos Ensemble baseados em árvores de decisão, como XGBoost, utilizam variáveis explicativas que capturam a relação geométrica e espacial entre o alvo de tratamento e o órgão de interesse para prever o DVH (Breiman, 2001; Chen e Guestrin, 2016; Momin et al., 2021). Uma variável explicativa importante é o Distance-to-Target Histogram, ou DTH, que quantifica a relação espacial entre o tumor e um órgão adjacente, medindo a fração do volume do órgão dentro de uma distância específica da superfície do alvo. A Análise de Componentes Principais tem sido empregada para selecionar as componentes mais relevantes do DTH para uso em modelos de predição de dose (Yuan et al., 2012).

Apesar dos avanços, ainda não há um padrão na literatura para a predição de dose. Soluções comerciais existentes, embora automatizadas, são de alto custo e operam como “caixas-pretas”, dificultando a interpretação das decisões do modelo e a adesão dos profissionais de saúde. A interpretabilidade dos modelos de inteligência artificial é um aspecto crítico para sua adoção na prática clínica, pois a complexidade crescente dos modelos pode reduzir a transparência de suas predições.

Técnicas como Shapley Additive Explanations, ou SHAP, podem ser empregadas para explicar as predições dos modelos, aumentando a confiança dos profissionais de saúde (Barragán-Montero et al., 2022; Conroy et al., 2025; Cui et al., 2023; Hrinivich et al., 2023; Lu et al., 2023; Lundberg e Lee, 2017). A combinação da predição de curvas DVH com o uso de SHAP para interpretar predições em nível individual ainda é uma área pouco explorada, o que destaca a contribuição adicional da abordagem proposta neste estudo. Assim, a presente pesquisa justifica-se pela necessidade de desenvolver um modelo que não apenas preveja as curvas de dose-volume, mas que também ofereça transparência e interpretabilidade para facilitar sua aceitação e aplicação clínica. Este estudo teve como objetivo desenvolver um modelo de machine learning explicável para a predição de curvas histograma dose-volume de órgãos adjacentes ao tumor em pacientes submetidos à SBRT pulmonar com a técnica VMAT, utilizando análise fatorial para redução de dimensionalidade, um modelo de regressão XGBoost e a técnica de explicabilidade SHAP para interpretar as estimativas.

2. Material e Métodos

O presente estudo caracterizou-se como uma pesquisa retrospectiva, observacional e quantitativa, realizada no Hospital Sírio-Libanês, unidade Bela Vista, em São Paulo. Foram analisados dados de 350 pacientes com diagnóstico de câncer de pulmão, tratados com Radioterapia Estereotáxica Corpórea (SBRT) utilizando a técnica de Arco Modulado Volumetricamente (VMAT), entre março de 2017 e março de 2025. A pesquisa foi aprovada pelos Comitês de Ética em Pesquisa do PECEGE (CAAE: 88110525.6.0000.9927, 6 de junho de 2025) e do Hospital Sírio-Libanês (16 de julho de 2025).

Extração e Preparação dos Dados

Os dados foram extraídos automaticamente do sistema de planejamento de tratamento (TPS) Eclipse (Varian Medical Systems, Palo Alto, CA) por meio da API ESAPI (Eclipse Scripting Application Programming Interface), desenvolvida em C#. Essa ferramenta permitiu o acesso a imagens de tomografia, estruturas delineadas (órgãos e alvos), seus volumes, distribuição de dose e sistema de coordenadas. A dose foi calculada utilizando o Anisotropic Analytical Algorithm. Quatro órgãos adjacentes ao tumor foram selecionados: árvore brônquica, coração, esôfago e medula espinhal.

O Distance-to-Target Histogram (DTH), uma variável explicativa central, quantifica a relação espacial entre o alvo e o órgão adjacente, subdividido em DTH-In (volume do órgão nos mesmos planos axiais do alvo) e DTH-Out (volume do órgão em planos axiais que não contêm o alvo). O volume absoluto do alvo (em cm³) também foi incluído. O DTH foi calculado por uma aplicação em C# desenvolvida para o estudo, amostrando pontos internos ao órgão nos cortes axiais da imagem de planejamento (1 mm de resolução), classificando-os como in-field ou out-of-field, e calculando a menor distância euclidiana até a superfície do alvo. Os pontos foram distribuídos em intervalos de distância definidos com base em perfis de dose extraídos da amostra, gerando histogramas DTH-In e DTH-Out cumulativos e normalizados. Os intervalos para DTH-In variaram de -5 mm a 175 mm, e para DTH-Out, de 2 mm a 20 mm.

Para cada órgão, foram gerados arquivos CSV para as features geométricas (DTHs) e para os valores de dose versus volume do Histograma Dose-Volume (DVH) cumulativo, com 105 níveis de dose (1% a 105% da dose de prescrição). O processo de análise e modelagem preditiva foi implementado via script Python, aplicado separadamente para cada órgão. O fluxo metodológico completo é ilustrado na Figura 1.

Figura 1. Esquema das etapas do estudo, desde a extração dos dados via ESAPI/C# até o pipeline implementado em Python, incluindo preparação das bases, modelagem com XGBoost, avaliação de desempenho e interpretabilidade por SHAP

Fonte: Dados originais da pesquisa

Modelagem Preditiva e Análise

A base de dados DTHs foi dividida em conjuntos de treino (80%) e teste (20%) por amostragem aleatória. A redução de dimensionalidade das variáveis DTHs foi realizada por análise fatorial, avaliada pelo teste de esfericidade de Bartlett (p < 0,001) e pelo critério de Kaiser (Bartlett, 1950; Kaiser, 1960). Para DTH-In, adotou-se três fatores (rotação varimax); para DTH-Out, um fator (sem rotação). Os fatores obtidos foram nomeados como axial_adjacente, axial_media, axial_periferica e long_adjacente, e, juntamente com o volume do alvo, compuseram as variáveis explicativas, normalizadas por transformação Min-Max.

A base de DVHs foi combinada com os dados processados, utilizando a variável caso_id. A porcentagem de dose (dose_perc) foi uma variável explicativa adicional, e o percentual do volume do órgão (volume_perc) a variável dependente. O modelo preditivo adotado foi o XGBoost regressor, com função objetivo reg:squarederror. A otimização de hiperparâmetros foi realizada por busca aleatória (RandomizedSearchCV), com 250 iterações. A Tabela 1 detalha o espaço de hiperparâmetros avaliado para o modelo XGBoost.

Tabela 1. Espaço dos hiperparâmetros avaliados na busca aleatória do modelo XGBoost

Hiperparâmetro	Valores avaliados	Descrição
n_estimators	250; 500; 750; 1000; 1250	Número de árvores do conjunto de boosting
max_depth	2; 3; 4; 5	Profundidade máxima de cada árvore
learning_rate	0,01; 0,02; 0,03; 0,04; 0,05	Taxa de aprendizado aplicada a cada iteração
subsample	0,2; 0,3; 0,4; 0,5; 0,6; 0,7; 0,8; 0,9; 1,0	Fração das amostras utilizada no treinamento de cada árvore
reg_alpha	0; 0,5; 1; 2; 4; 8; 12	Parâmetro de regularização L1
reg_lambda	1; 3; 5; 7; 10	Parâmetro de regularização L2
min_child_weight	1; 3; 5; 7; 10	Soma mínima de pesos exigida em um nó filho
gamma	0; 0,5; 1; 2; 5	Redução mínima da perda para realizar uma nova partição

Fonte: Dados originais da pesquisa

A validação interna do modelo foi realizada com GroupKFold, agrupando as observações pelo identificador caso_id para evitar vazamento de dados. O desempenho do modelo foi avaliado por meio do coeficiente de determinação (R²), erro absoluto médio (MAE) e raiz do erro quadrático médio (RMSE). Após o treinamento, os artefatos do pipeline, incluindo o escalonador, os modelos fatoriais e o modelo final, foram salvos para reprodutibilidade. A Tabela 2 apresenta os melhores hiperparâmetros encontrados para cada órgão estudado.

Tabela 2. Melhores hiperparâmetros do modelo XGBoost para os órgãos estudados

Variável	Média	Desvio padrão	Mínimo	P25	P50	P75	Máximo
volume_alvo	23,0	22,3	1,6	9,3	15,6	27,1	165,9
dthIn_-5	0,1	0,4	0,0	0,0	0,0	0,0	5,8
dthIn_0	0,2	1,1	0,0	0,0	0,0	0,0	13,5
dthIn_2.5	0,3	1,5	0,0	0,0	0,0	0,0	16,0
dthIn_5	0,4	2,0	0,0	0,0	0,0	0,0	19,4
dthIn_7.5	0,5	2,3	0,0	0,0	0,0	0,0	22,6
dthIn_10	0,7	2,9	0,0	0,0	0,0	0,0	26,3
dthIn_12.5	0,9	3,4	0,0	0,0	0,0	0,0	28,2
dthIn_15	1,2	4,2	0,0	0,0	0,0	0,0	34,2
dthIn_20	1,8	5,6	0,0	0,0	0,0	0,0	46,8
dthIn_25	2,6	7,2	0,0	0,0	0,0	0,5	56,4
dthIn_30	3,6	8,6	0,0	0,0	0,0	1,6	62,5
dthIn_35	4,9	10,2	0,0	0,0	0,0	4,1	69,2
dthIn_40	6,4	11,8	0,0	0,0	0,0	8,2	76,0
dthIn_50	10,6	15,9	0,0	0,0	2,4	17,4	88,3
dthIn_60	14,9	19,4	0,0	0,0	6,0	23,8	97,2
dthIn_70	18,7	22,0	0,0	0,0	11,0	30,6	99,8
dthIn_85	23,6	25,6	0,0	0,0	16,0	39,1	100,0
dthIn_100	26,7	27,9	0,0	0,0	18,5	46,8	100,0
dthIn_125	29,4	29,5	0,0	0,0	22,0	53,1	100,0
dthIn_175	30,4	30,0	0,0	0,0	22,4	55,4	100,0
dthOut_2	0,0	0,1	0,0	0,0	0,0	0,0	1,2
dthOut_4	0,0	0,1	0,0	0,0	0,0	0,0	1,7
dthOut_6	0,0	0,2	0,0	0,0	0,0	0,0	2,6
dthOut_8	0,1	0,4	0,0	0,0	0,0	0,0	4,8
dthOut_12	0,2	0,8	0,0	0,0	0,0	0,0	8,0
dthOut_16	0,3	1,4	0,0	0,0	0,0	0,0	11,3

Fonte: Dados originais da pesquisa

Interpretabilidade do Modelo

A interpretabilidade local do modelo foi investigada por meio de valores SHAP (Shapley Additive Explanations), que permitem decompor a predição em contribuições individuais das variáveis explicativas. As explicações para observações individuais foram obtidas a partir de um baseline condicionado à mesma dose percentual avaliada, aumentando a transparência das predições e facilitando a compreensão da influência de cada fator na estimativa final do DVH.

3. Resultados e Discussão

Os resultados da pesquisa são apresentados e discutidos em conformidade com os objetivos propostos, detalhando as etapas de caracterização dos dados, análise de correlação, redução de dimensionalidade por análise fatorial, desempenho do modelo preditivo XGBoost e a interpretabilidade das predições via SHAP. A análise abrangeu dados de 350 pacientes submetidos à SBRT pulmonar com técnica VMAT, focando na predição de curvas histograma dose-volume (DVH) para a árvore brônquica, coração, esôfago e medula espinhal. A abordagem buscou não apenas a acurácia preditiva, mas também a transparência e a coerência das estimativas com a relação espacial entre o alvo e os órgãos adjacentes.

Perfis de Dose na Determinação dos Intervalos dos DTHs

A definição dos intervalos para os Distance-to-Target Histograms (DTHs) foi guiada pela análise dos perfis médios de dose. A Figura 2 ilustra o perfil axial médio de dose em relação à distância da borda do alvo, revelando uma queda acentuada da dose nos primeiros milímetros. Esse comportamento justificou a escolha de intervalos mais estreitos para as regiões próximas ao alvo, onde a variação da dose é mais pronunciada, e intervalos progressivamente mais amplos para as regiões mais distantes, onde a variação é menor. Essa estratégia de discretização é fundamental para capturar adequadamente o gradiente de dose.

Figura 2. Perfil axial médio de dose em função da distância à borda do alvo, com indicação da região intra-alvo e dos intervalos selecionados para discretização do DTH-In

Fonte: Resultados originais da pesquisa

Para o DTH-In, que representa o volume do órgão nos mesmos planos axiais do alvo, foram definidos intervalos a partir da borda do alvo, incluindo -5 mm (interno ao alvo), 0, 2.5, 7.5, 10, 12.5, 15, 20, 25, 30, 35, 40, 50, 60, 70, 85, 100, 125 e 175 mm. Essa granularidade permitiu uma representação detalhada da distribuição de dose nas proximidades do alvo, onde a interação entre o tumor e o órgão é mais intensa. A escolha desses intervalos reflete a complexidade da distribuição de dose em tratamentos de SBRT pulmonar.

A Figura 3 apresenta o perfil longitudinal médio de dose em função da distância à borda do alvo, utilizado para a definição dos intervalos do DTH-Out. Observou-se uma queda ainda mais acentuada da dose nas proximidades do alvo nesta direção, porém concentrada em uma faixa espacial mais restrita. Consequentemente, a discretização para o DTH-Out foi mais compacta, com maior detalhamento nos primeiros milímetros, refletindo a natureza anisotrópica da distribuição de dose em planejamentos com campos coplanares.

Figura 3. Perfil longitudinal médio de dose em função da distância à borda do alvo, com indicação dos intervalos selecionados para discretização do DTH-Out

Fonte: Resultados originais da pesquisa

Para o DTH-Out, que corresponde ao volume do órgão em planos axiais que não contêm o alvo, foram definidos os seguintes intervalos de distância da borda do alvo: 2, 4, 6, 8, 12, 16 e 20 mm. Essa seleção de intervalos mais curtos e detalhados nas proximidades do alvo longitudinalmente é coerente com a rápida atenuação da dose fora do campo principal de irradiação. A distinção entre DTH-In e DTH-Out e suas respectivas discretizações foi crucial para capturar a complexa relação espacial e de dose entre o alvo e os órgãos.

Em conjunto, os perfis de dose axial e longitudinal evidenciaram comportamentos distintos, o que é compatível com a geometria dos planejamentos radioterápicos baseados em campos coplanares. Essa anisotropia na distribuição de dose ao redor do alvo justificou a adoção de esquemas de discretização diferenciados para DTH-In e DTH-Out, otimizando a representação das variáveis explicativas no modelo de machine learning. A precisão na definição desses intervalos é um pilar para a acurácia preditiva do modelo.

Caracterização da Amostra

A amostra do estudo compreendeu 350 casos, embora o número de planejamentos com órgãos devidamente delineados tenha variado entre 339 e 350 por órgão. O volume do alvo de tratamento demonstrou ampla variabilidade, com valores que oscilaram entre 1,6 e 165,9 cm³. Essa diversidade nos volumes do alvo é um fator importante, pois influencia diretamente a distribuição de dose e a interação com os órgãos adjacentes, impactando a complexidade do planejamento radioterápico.

Em relação às variáveis do grupo DTH-In, observou-se uma predominância de valores nulos nos intervalos mais próximos à borda do alvo, o que indica que, para a maioria dos casos, o volume do órgão nessas regiões é mínimo ou inexistente. À medida que a distância em relação ao alvo aumentava, verificou-se um crescimento nas médias, medianas e percentil 75, sugerindo maior representação volumétrica do órgão em regiões intermediárias e periféricas. Esse padrão é consistente com a natureza cumulativa dos histogramas e com a anatomia dos órgãos avaliados, cujos volumes médios variaram de 30 a 700 cm³.

As variáveis do grupo DTH-Out apresentaram medianas iguais a zero em todos os intervalos, indicando uma presença reduzida dos órgãos nas regiões out-of-field para as distâncias consideradas. Contudo, a existência de desvios-padrão e valores máximos superiores a zero demonstrou variabilidade nas distribuições, confirmando a presença volumétrica dos órgãos em todas as distâncias avaliadas. As exceções incluíram o esôfago, sem sobreposição com o alvo, e a medula, sem valores diferentes de zero em dthIn_-5 ou dthOut_8, o que é coerente com suas posições anatômicas em relação aos pulmões.

A Figura 4 apresenta as curvas DVH da amostra para os quatro órgãos analisados, revelando diferenças significativas na dispersão e extensão entre eles. A árvore brônquica exibiu curvas mais dispersas e maior extensão ao longo das faixas de dose, indicando uma maior variabilidade na dose recebida por essa estrutura. Em contraste, a medula espinhal mostrou maior variação de volume nas menores doses, mas praticamente ausência de volume em níveis de dose superiores a 40%, refletindo sua maior sensibilidade à radiação e a necessidade de proteção rigorosa.

Figura 4. Curvas de DVH dos órgãos avaliados no estudo: árvore brônquica, coração, esôfago e medula. Cada linha representa um caso individual

Fonte: Resultados originais da pesquisa

O esôfago e o coração apresentaram um comportamento intermediário em suas curvas DVH, com dispersão e extensão que se situaram entre a árvore brônquica e a medula. Em síntese, a amostra demonstrou uma rica diversidade anatômica e de distribuições dose-volume, o que é uma característica relevante para o desenvolvimento de modelos preditivos com maior potencial de generalização. Essa variabilidade é crucial para treinar um modelo robusto, capaz de lidar com diferentes cenários clínicos.

Análise de Correlação das Variáveis DTH

As Figuras 5 e 6 ilustram os mapas de calor das matrizes de correlação de Pearson para as variáveis DTH-In e DTH-Out da árvore brônquica, respectivamente. Observou-se a existência de correlações positivas elevadas entre faixas de distância próximas para ambas as componentes da variável DTH. Esse padrão de alta correlação indica uma redundância de informação entre as variáveis, o que justifica a aplicação de técnicas de redução de dimensionalidade para otimizar o modelo preditivo.

Figura 5. Mapa de calor da matriz de correlação de Pearson das variáveis DTH-In para a árvore brônquica

Fonte: Resultados originais da pesquisa

A alta correlação entre as variáveis DTH-In e DTH-Out, especialmente nas faixas de distância adjacentes, sugere que essas variáveis capturam aspectos semelhantes da relação espacial entre o alvo e o órgão. A redução de dimensionalidade, portanto, não apenas simplifica o modelo, mas também pode melhorar sua estabilidade e interpretabilidade, ao agrupar informações correlacionadas em constructos mais significativos. Os demais órgãos estudados apresentaram comportamento semelhante nas suas matrizes de correlação.

Figura 6. Mapa de calor da matriz de correlação de Pearson das variáveis DTH-Out para a árvore brônquica

Fonte: Resultados originais da pesquisa

Análise Fatorial das Variáveis DTH

A adequação da análise fatorial foi confirmada pelo teste de esfericidade de Bartlett (p < 0,001) para todos os órgãos e componentes do DTH, reforçando a pertinência da redução de dimensionalidade. O critério de Kaiser orientou a retenção de três fatores para as variáveis do grupo DTH-In e um fator para o DTH-Out em todos os quatro órgãos analisados. Essa distinção no número de fatores reflete a assimetria na complexidade da relação espacial entre as regiões in-field e out-of-field.

A Figura 7 apresenta as cargas fatoriais das variáveis DTH-In para a árvore brônquica, após análise fatorial com rotação varimax. A rotação varimax tornou a estrutura fatorial mais clara, concentrando as cargas mais elevadas em fatores específicos e reduzindo a sobreposição entre componentes. Isso permitiu distinguir três constructos com significado espacial em relação ao alvo: axial adjacente, axial média e axial periférica. A primeira componente concentrou cargas elevadas nas faixas intermediárias de distância, a segunda nas faixas mais próximas ao alvo e a terceira nas faixas mais distantes, corroborando a interpretação espacial.

Figura 7. Cargas fatoriais das variáveis DTH-In para a árvore brônquica, após análise fatorial com rotação varimax, que deram origem aos constructos axial adjacente, axial média e axial periférica

Fonte: Resultados originais da pesquisa

Para o DTH-Out, a única componente apresentou cargas elevadas ao longo das variáveis do grupo, conforme ilustrado na Figura 8. Considerando que essas variáveis se referem a uma faixa curta de distâncias em relação ao alvo (até 16 mm), esse constructo foi interpretado como o grau de presença do órgão na região longitudinal adjacente ao alvo. Essa simplificação é crucial para a interpretabilidade do modelo, transformando um grande número de variáveis correlacionadas em um conjunto menor e mais significativo de preditores.

Figura 8. Cargas fatoriais das variáveis DTH-Out para a árvore brônquica, após análise fatorial, que deram origem ao constructo longitudinal adjacente

Fonte: Resultados originais da pesquisa

A Tabela 3 detalha a proporção da variância das variáveis originais explicada pelos fatores retidos para os quatro órgãos. Para o DTH-In, a variância acumulada pelas três componentes variou de 86,3% a 97,5%, enquanto para o DTH-Out, a única componente explicou de 80,8% a 97,9%. Esses resultados demonstram que a estrutura original das duas componentes do DTH pôde ser representada de forma mais compacta, com pequena perda de informação, favorecendo seu uso como variáveis explicativas mais interpretáveis nas etapas subsequentes da modelagem.

Tabela 3. Proporção acumulada da variância das variáveis originais explicada pelos fatores retidos para os quatro órgãos

Órgão	Conjunto de variáveis originais	n	Variância explicada (%)
Árvore brônquica	DTH-In	3	94,77
Árvore brônquica	DTH-Out	1	80,81
Coração	DTH-In	3	97,46
Coração	DTH-Out	1	89,39
Esôfago	DTH-In	3	87,68
Esôfago	DTH-Out	1	85,40
Medula	DTH-In	3	86,32
Medula	DTH-Out	1	97,78

Fonte: Resultados originais da pesquisa

Este achado está alinhado com estudos anteriores, como o de Yuan et al. (2012), que demonstraram a aplicabilidade da Análise de Componentes Principais (PCA) ao DTH para representar sua variabilidade com poucas componentes. A divisão em DTH-In e DTH-Out, com três fatores para o primeiro e um para o segundo, introduziu uma assimetria que reflete as diferentes complexidades da relação espacial nessas duas regiões, sendo consistente em todos os órgãos avaliados.

Desempenho do modelo preditivo do DVH

O modelo XGBoost demonstrou desempenho consistente para os quatro órgãos analisados, indicando que o conjunto de features empregado foi suficiente para representar a relação espacial entre o alvo e os órgãos com diferentes características morfológicas. A Tabela 4 apresenta o desempenho global do modelo nos conjuntos de treino, de teste e na validação cruzada. No conjunto de teste, os valores de R² variaram de 0,937 a 0,954, com o maior valor para a árvore brônquica, seguido por esôfago (0,942), medula (0,941) e coração (0,937).

Tabela 4. Desempenho global do algoritmo XGBoost para predição do DVH nos quatro órgãos estudados

Órgão	Conjunto	R²	MAE	RMSE	R² CV (média ± DP)
Árvore brônquica	treino	0,981	0,617	1,897
Árvore brônquica	teste	0,954	0,922	2,899	0,937 ± 0,020
Coração	treino	0,990	0,179	0,729
Coração	teste	0,937	0,343	1,612	0,958 ± 0,011
Esôfago	treino	0,971	0,397	1,151
Esôfago	teste	0,942	0,528	1,661	0,931 ± 0,009
Medula	treino	0,981	0,249	0,786
Medula	teste	0,941	0,361	1,362	0,920 ± 0,030

Fonte: Resultados originais da pesquisa

Em termos de erro, a árvore brônquica apresentou os maiores valores absolutos no teste, com MAE de 0,922 e RMSE de 2,899. Esse resultado é coerente com a maior dispersão observada nas curvas DVH da árvore brônquica, sugerindo que, embora o modelo explique bem sua variabilidade global, a heterogeneidade desse órgão torna a tarefa preditiva mais desafiadora em termos absolutos. A proximidade entre os resultados de treino, teste e validação cruzada, juntamente com a baixa dispersão entre os folds, indica ausência de sobreajuste acentuado e reforça a estabilidade do modelo.

Conforme já observado na análise descritiva da variável resposta, a variabilidade do volume tende a diminuir à medida que a dose aumenta, com uma concentração crescente de observações iguais a zero. Para abordar essa questão, o desempenho do modelo foi avaliado por faixas de dose, conforme detalhado na Tabela 5. Os maiores erros ocorreram na faixa de 0-20% da dose, com MAE entre 1,602 e 3,992 e RMSE entre 3,162 e 6,603, indicando um desempenho inferior ao global nessa região de alta variabilidade.

Tabela 5. Desempenho estratificado por faixa de dose do algoritmo XGBoost no conjunto de teste para os quatro órgãos estudados

Órgão	Faixa de dose (%)	Variância	MAE	RMSE
Árvore brônquica	0-20	700,953	3,992	6,603
Árvore brônquica	20-40	17,097	0,559	1,379
Árvore brônquica	40-60	4,172	0,197	0,657
Árvore brônquica	60-80	2,3315	0,144	0,469
Árvore brônquica	80-105	1,085	0,100	0,281
Coração	0-20	192,402	1,602	3,683
Coração	20-40	0,565	0,167	0,839
Coração	40-60	0,045	0,047	0,200
Coração	60-80	0,005	0,029	0,075
Coração	80-105	0,000	0,027	0,056
Esôfago	0-20	148,142	2,347	3,626
Esôfago	20-40	4,123	0,371	1,399
Esôfago	40-60	0,062	0,057	0,147
Esôfago	60-80	0,002	0,048	0,089
Esôfago	80-105	0,000	0,052	0,111
Medula	0-20	106,658	1,826	3,162
Medula	20-40	0,275	0,119	0,484
Medula	40-60	0,000	0,013	0,021
Medula	60-80	0,000	0,013	0,021
Medula	80-105	0,000	0,013	0,022

Fonte: Resultados originais da pesquisa

A partir de 20% da dose, houve uma redução progressiva dos erros, com desempenho superior ao global, o que é consistente com a menor variabilidade da resposta nessas faixas de dose mais elevadas. O desempenho obtido é compatível com trabalhos recentes, como os de Jiao et al. (2021), que reportaram R² médios entre 0,87 e 0,97 e MAE entre 1,16% e 7,95% para diferentes órgãos, e Brodin et al. (2022), que validaram um modelo baseado em árvore de regressão gradient-boosted para predição de dose em SBRT de pulmão.

A Figura 9 ilustra a comparação entre curvas DVH observadas e preditas para a árvore brônquica em todo o conjunto de teste. Houve boa concordância visual entre as curvas reais e estimadas, em linha com os resultados quantitativos obtidos. Pequenas inconsistências pontuais foram observadas, incluindo discreta violação local da monotonicidade esperada do DVH cumulativo e ocorrência eventual de valores ligeiramente inferiores a zero, que podem ser contornadas com pós-processamento simples, como truncamento das saídas ao intervalo entre 0% e 100%.

Figura 9. Comparação entre curvas DVH reais, em azul, e preditas pelo modelo XGBoost, em laranja, para a árvore brônquica em todo o conjunto de teste

Fonte: Resultados originais da pesquisa

Os hiperparâmetros do modelo XGBoost para cada órgão, obtidos por busca aleatória com validação cruzada, apresentaram variações entre os órgãos avaliados, conforme a Tabela 6. Essas variações indicam que a otimização foi específica para as características de cada órgão, contribuindo para o desempenho robusto do modelo em diferentes contextos anatômicos. A personalização dos hiperparâmetros é um aspecto importante para maximizar a performance preditiva.

Tabela 6. Melhores hiperparâmetros do modelo XGBoost para os órgãos estudados

Hiperparâmetro	Árvore brônquica	Coração	Esôfago	Medula
n_estimators	750	500	1000	750
max_depth	5	5	3	5
learning_rate	0.01	0.03	0.03	0.03
subsample	0.2	0.3	0.4	0.2
reg_alpha	0.5	2	2	8
reg_lambda	1	5	5	5
min_child_weight	1	10	3	1
gamma	0	2	5	0

Fonte: Resultados originais da pesquisa

Explicabilidade da Predição

A Figura 10 ilustra a explicabilidade local do modelo para o caso 119, selecionado do conjunto de teste da árvore brônquica, em diferentes níveis de dose (10%, 20%, 40% e 80%) ao longo da curva DVH. Os gráficos de distribuição normalizada das variáveis explicativas situam os valores do caso em relação à base de treino, enquanto os gráficos waterfall decompõem a predição a partir do valor médio esperado do modelo até o valor final estimado. Nas menores doses, a predição é influenciada principalmente pelos constructos axial_periferica e axial_media.

Figura 10. Explicabilidade das predições do DVH para o caso 119 do conjunto de teste, em diferentes níveis de dose. Os gráficos de distribuição normalizada (à esquerda) situam os valores das variáveis explicativas do caso (círculo preto) em relação à base de treino, com coloração correspondente aos valores SHAP no nível de dose analisado. Os gráficos waterfall (à direita) mostram a decomposição da predição a partir do valor médio esperado do modelo para o respectivo nível de dose, E[f(X)], até o valor estimado, f(X)

Fonte: Resultados originais da pesquisa

À medida que a dose aumenta, a explicação se concentra progressivamente em axial_adjacente, indicando que as regiões de maior dose são determinadas pela proximidade imediata entre o órgão e o volume-alvo, o que é consistente com distribuições de dose em tratamentos SBRT. Em contraste com esse padrão, a Figura 11 mostra que, no caso 173, a variável long_adjacente teve uma participação mais relevante na predição no nível de dose de 10%, ao lado de axial_periferica. Isso indica que a explicação da predição não envolve apenas relações de distância na região in-field, mas também a proximidade entre o órgão e o alvo na região out-of-field.

Figura 11. Explicabilidade da predição no nível de dose de 10%, para o caso 173 do conjunto de teste. À esquerda, o gráfico de distribuição normalizada que situa os valores das variáveis explicativas do caso (círculo preto) em relação à base de treino, com coloração correspondente aos valores SHAP no nível de dose analisado (10%). À direita, o gráfico waterfall decompõe a predição a partir do valor médio esperado do modelo para o nível de dose de 10%, E[f(X)] = 15,038, até o valor estimado, f(X) = 47,129

Fonte: Resultados originais da pesquisa

A Figura 12 apresenta a reconstrução tridimensional do volume-alvo (azul) e da árvore brônquica (amarelo) para os casos 119 e 173, sobreposta à projeção do campo de irradiação. A faixa central em vermelho indica a região in-field, enquanto as áreas superior e inferior correspondem às regiões out-of-field. Em conjunto, as Figuras 10, 11 e 12 demonstram que os valores SHAP refletem relações espaciais entre o alvo, o órgão e o campo de irradiação, reforçando a explicabilidade do modelo ao evidenciar a associação entre a predição do DVH e as características anatômicas de cada caso.

Figura 12. Reconstrução tridimensional do volume-alvo (azul) e da árvore brônquica (amarelo) nos casos 119 (à esquerda) e 173 (à direita), sobreposta à projeção do campo de irradiação. A faixa central em vermelho indica a região in-field, enquanto as áreas superior e inferior correspondem às regiões out-of-field

Fonte: Resultados originais da pesquisa

A interpretação do modelo foi favorecida pela síntese dos descritores DTH em constructos latentes com significado espacial. O gráfico de distribuição das variáveis explicativas permite situar o caso analisado em relação aos valores observados na base de treino do modelo, possibilitando identificar situações em que o caso apresenta características pouco representadas ou distintas daquelas utilizadas no treinamento. Nessas condições, a predição pode estar sujeita a maior incerteza, e a curva DVH predita deve ser interpretada com maior cautela.

A interpretabilidade incorporada ao modelo está alinhada à literatura recente, que destaca a importância desse aspecto para a avaliação crítica e a potencial incorporação clínica de modelos de machine learning em saúde, especificamente na radioterapia (Barragán-Montero et al., 2022; Conroy et al., 2025; Cui et al., 2023; Hrinivich et al., 2023; Lu et al., 2023). Embora a predição de DVH e o uso de SHAP em tarefas correlatas já tenham sido descritos, sua combinação para interpretar predições de DVH em nível individual ainda permanece pouco explorada, o que sugere uma contribuição adicional da abordagem adotada neste estudo, aumentando a confiança dos profissionais de saúde.

Em síntese, o modelo de machine learning explicável desenvolvido demonstrou capacidade consistente na predição de curvas DVH para os órgãos adjacentes ao tumor em pacientes submetidos à SBRT pulmonar com técnica VMAT. A utilização de descritores geométricos derivados do DTH, após redução de dimensionalidade por análise fatorial, permitiu sintetizar a complexa relação espacial entre o alvo e os órgãos. A integração da técnica SHAP proporcionou transparência às predições, permitindo uma interpretação crítica em nível individual e reforçando a coerência das estimativas com a geometria anatômica, o que é fundamental para a aceitação e aplicação clínica da ferramenta no planejamento e avaliação radioterápica.

4. Conclusão

O presente estudo buscou desenvolver um modelo de machine learning explicável para predizer curvas histograma dose-volume (DVH) de órgãos adjacentes ao tumor em pacientes submetidos à Radioterapia Estereotáxica Corpórea (SBRT) pulmonar com a técnica VMAT. Verificou-se que o modelo XGBoost demonstrou desempenho consistente para os quatro órgãos analisados (árvore brônquica, coração, esôfago e medula), com coeficientes de determinação no conjunto de teste variando entre 0,937 e 0,954, e boa concordância visual entre as curvas observadas e preditas. A utilização de descritores geométricos derivados do Distance-to-Target Histogram (DTH), após redução de dimensionalidade por análise fatorial, permitiu sintetizar a complexa relação espacial entre o alvo e os órgãos em constructos com significado espacial. As análises de explicabilidade, realizadas com a técnica SHAP, indicaram coerência entre as estimativas do modelo e a relação espacial entre alvo e órgãos, reforçando a transparência das predições. Essa abordagem oferece uma contribuição significativa ao planejamento e à avaliação radioterápica, ao proporcionar maior objetividade e consistência, além de facilitar a interpretação crítica das decisões do modelo pelos profissionais de saúde.

Contudo, o modelo foi desenvolvido com dados retrospectivos de uma única instituição e restrito à SBRT pulmonar com VMAT e a quatro órgãos específicos, o que pode limitar a generalização direta para outros contextos clínicos. Os intervalos dos DTHs foram definidos com base em perfis médios de dose da própria amostra, refletindo o comportamento anisotrópico da distribuição de dose em planejamentos com campos coplanares, o que pode restringir a transferência da discretização adotada para arranjos de campos não coplanares. Observaram-se, pontualmente, pequenas inconsistências nas curvas preditas, como valores ligeiramente inferiores a zero e discreta violação da monotonicidade, que podem ser mitigadas com pós-processamento. Como perspectivas futuras, propõe-se a validação externa do modelo, sua aplicação a outras técnicas e geometrias de tratamento, e o refinamento da modelagem com a adoção de restrições de monotonicidade às curvas preditas.

Referências Bibliográficas

Barragán-Montero, A.; Bibal, A.; Dastarac, M.H.; Draguet, C.; Valdés, G.; Nguyen, D.; Willems, S.; Vandewinckele, L.; Holmström, M.; Löfman, F.; Souris, K.; Sterpin, E.; Lee, J.A. (2022). Towards a safe and efficient clinical implementation of machine learning in radiation oncology by exploring model interpretability, explainability and data-model dependency. Physics in Medicine & Biology 67(11): 11TR01.

Bartlett, M.S. (1950). Tests of significance in factor analysis. British Journal of Statistical Psychology 3(2): 77-85.

Bray, F.; Laversanne, M.; Sung, H.; Ferlay, J.; Siegel, R.L.; Soerjomataram, I.; Jemal, A. (2024). Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA: A Cancer Journal for Clinicians 74(3): 229-263.

Breiman, L. (2001). Random Forests. Machine Learning 45(1): 5-32.

Brodin, N.P.; Schulte, L.; Velten, C.; Martin, W.; Shen, S.; Shen, J.; Basavatia, A.; Ohri, N.; Garg, M.K.; Carpenter, C.; Tomé, W.A. (2022). Organ-at-risk dose prediction using a machine learning algorithm: Clinical validation and treatment planning benefit for lung SBRT. Journal of Applied Clinical Medical Physics 23(6): e13609.

Chang, J.Y.; Senan, S.; Paul, M.A.; Mehran, R.J.; Louie, A.V.; Balter, P.; Groen, H.J.M.; McRae, S.E.; Widder, J.; Feng, L.; van den Borne, B.E.E.M.; Munsell, M.F.; Hurkmans, C.; Berry, D.A.; van Werkhoven, E.; Kresl, J.J.; Dingemans, A.-M.; Dawood, O.; Haasbeek, C.J.A.; Carpenter, L.S.; De Jaeger, K.; Komaki, R.; Slotman, B.J.; Smit, E.F.; Roth, J.A. (2015). Stereotactic ablative radiotherapy versus lobectomy for operable stage I non-small-cell lung cancer: a pooled analysis of two randomised trials. Lancet Oncology 16(6): 630-637.

Chen, T.; Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In: ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2016, San Francisco, CA, EUA. Anais… p. 785-794.

Conroy, L.; Winter, J.; Khalifa, A.; Tsui, G.; Berlin, A.; Purdie, T.G. (2025). Artificial intelligence for radiation treatment planning: Bridging gaps from retrospective promise to clinical reality. Clinical Oncology 37: 103630.

Cui, S.; Traverso, A.; Niraula, D.; Zou, J.; Luo, Y.; Owen, D.; El Naqa, I.; Wei, L. (2023). Interpretable artificial intelligence in radiology and radiation oncology. British Journal of Radiology 96(1150): 20230142.

Hrinivich, W.T.; Wang, T.; Wang, C. (2023). Editorial: Interpretable and explainable machine learning models in oncology. Frontiers in Oncology 13: 1184428.

Jiao, S.X.; Wang, M.L.; Chen, L.X.; Liu, X.-W. (2021). Evaluation of dose-volume histogram prediction for organ-at risk and planning target volume based on machine learning. Scientific Reports 11: 3117.

Kaiser, H.F. (1960). The application of electronic computers to factor analysis. Educational and Psychological Measurement 20(1): 141-151.

Lu, S.-C.; Swisher, C.L.; Chung, C.; Jaffray, D.; Sidey-Gibbons, C. (2023). On the importance of interpretable machine learning predictions to inform clinical decision making in oncology. Frontiers in Oncology 13: 1129380.

Lundberg, S.M.; Lee, S.-I. (2017). A unified approach to interpreting model predictions. In: Conference on Neural Information Processing Systems, 2017, Long Beach, CA, EUA. Anais… p. 4765-4774.

McIntosh, C.; Conroy, L.; Tjong, M.C.; Craig, T.; Bayley, A.; Catton, C.; Gospodarowicz, M.; Helou, J.; Isfahanian, N.; Kong, V.; Lam, T.; Raman, S.; Warde, P.; Chung, P.; Berlin, A.; Purdie, T.G. (2021). Clinical integration of machine learning for curative-intent radiation treatment of patients with prostate cancer. Nature Medicine 27(6): 999-1005.

Momin, S.; Fu, Y.; Lei, Y.; Roper, J.; Bradley, J.D.; Curran, W.J.; Liu, T.; Yang, X. (2021). Knowledge-based radiation treatment planning: A data-driven method survey. Journal of Applied Clinical Medical Physics 22(8): 16-44.

Otto, K. (2008). Volumetric modulated arc therapy: IMRT in a single gantry arc. Medical Physics 35(1): 310-317.

Scaggion, A.; Fusella, M.; Roggio, A.; Bacco, S.; Pivato, N.; Rossato, M.A.; Arana Peña, L.M.; Paiusco, M. (2018). Reducing inter- and intra-planner variability in radiotherapy plan output with a commercial knowledge-based planning solution. Physica Medica 53: 86-93.

Siegel, R.L.; Kratzer, T.B.; Giaquinto, A.N.; Sung, H.; Jemal, A. (2025). Cancer statistics, 2025. CA: A Cancer Journal for Clinicians 75(1): 10-45.

Yuan, L.; Ge, Y.; Lee, W.R.; Yin, F. F.; Kirkpatrick, J.P.; Wu, Q.J. (2012). Quantitative analysis of the factors which affect the interpatient organ-at-risk dose sparing variation in IMRT plans. Medical Physics 39(11): 6868-6878.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy