19 de agosto de 2026
Aplicação de Machine Learning Explicável para Predição de Dose em Órgãos Adjacentes na Radioterapia Pulmonar
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 o tratamento do câncer de pulmão, cujo planejamento complexo pode ser otimizado pela predição da distribuição de dose. Este estudo objetivou 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 VMAT. Analisaram-se dados de 350 pacientes tratados no Hospital Sírio-Libanês entre 2017 e 2025. Os descritores extraídos incluíram o Distance-to-Target Histogram (DTH), dividido em duas componentes, e o volume do alvo. Aplicou-se análise fatorial para redução de dimensionalidade, e os constructos resultantes foram utilizados em um modelo de regressão XGBoost, complementado pela técnica SHAP para interpretação das estimativas. O modelo demonstrou desempenho consistente para os quatro órgãos estudados, com coeficiente de determinação no conjunto de teste entre 0,937 e 0,954, e boa concordância visual entre as curvas observadas e preditas. As análises de explicabilidade indicaram coerência entre as estimativas e a relação espacial entre o alvo e os órgãos. A abordagem revelou potencial para apoiar o planejamento e a avaliação radioterápica, ao sintetizar a relação espacial entre alvo e órgãos e adicionar transparência às estimativas do modelo.
Palavras-chave: Distance-to-Target Histogram; SBRT; SHAP; VMAT; XGBoost.
1. Introdução
O câncer de pulmão é uma das principais causas de morte globalmente, sendo a forma mais prevalente (Bray et al., 2024; Siegel et al., 2025). A radioterapia desempenha um papel crucial no tratamento da doença, sendo empregada em aproximadamente metade dos pacientes diagnosticados com câncer. Uma abordagem eficaz é a Radioterapia Estereotáxica Corpórea (SBRT), ou Stereotactic Body Radiation Therapy, que administra doses elevadas de radiação em um número reduzido de sessões (geralmente entre uma e cinco). A SBRT é uma alternativa não invasiva à cirurgia para pacientes em estágio inicial, com controle local favorável (Chang et al., 2015). Entre as técnicas avançadas de SBRT, o Arco Modulado Volumetricamente (VMAT), ou Volumetric Modulated Arc Therapy, permite a entrega de distribuições de dose complexas e adaptadas à forma do tumor, visando preservar ao máximo os tecidos sadios adjacentes (Otto, 2008).
O planejamento da radioterapia é uma etapa crítica para o sucesso do tratamento, exigindo a elaboração de um plano detalhado que garanta a entrega precisa da dose ao tumor e minimize a exposição de tecidos saudáveis. Tradicionalmente, este processo de otimização é complexo e iterativo, frequentemente baseado em tentativa e erro por parte do físico médico. Tal método pode consumir tempo significativo e, em alguns casos, resultar em planejamentos subótimos devido à complexidade e restrições de tempo. A predição da distribuição de dose antes do início do planejamento pode otimizar essa etapa, conferindo maior objetividade e consistência.
Nos últimos anos, modelos de Machine Learning e Deep Learning têm sido explorados para a predição de dose em radioterapia. Contudo, apesar dos avanços, ainda não existe um padrão estabelecido na literatura para essa predição. Além disso, muitas soluções comerciais operam como “caixas-pretas”, dificultando a interpretação das decisões do modelo e impactando negativamente na adesão e confiança dos profissionais de saúde (Brodin et al., 2022; Jiao et al., 2021; McIntosh et al., 2021; Momin et al., 2021; Scaggion et al., 2018). A interpretabilidade dos modelos de inteligência artificial é um aspecto fundamental para sua adoção na prática clínica, pois a complexidade crescente desses modelos diminui a transparência de suas predições.
Para abordar a questão da interpretabilidade, técnicas como Shapley Additive Explanations (SHAP) podem ser empregadas para explicar as predições, 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). Os modelos de predição de dose frequentemente utilizam o Histograma Dose-Volume (DVH), ou Dose-Volume Histogram, como uma representação gráfica que relaciona o volume de uma estrutura à dose de radiação recebida. Para capturar a relação geométrica e espacial entre o alvo de tratamento e os órgãos de interesse, uma variável explicativa comum é o Distance-to-Target Histogram (DTH), que quantifica a fração do volume de um órgão adjacente dentro de uma distância da superfície do alvo, com valores negativos indicando sobreposição. Modelos Ensemble baseados em árvores de decisão, como XGBoost, são amplamente utilizados para prever o DVH (Breiman, 2001; Chen e Guestrin, 2016; Momin et al., 2021), e a análise fatorial tem sido aplicada para reduzir a dimensionalidade das variáveis DTH (Yuan et al., 2012).
Diante da complexidade do planejamento radioterápico e da necessidade de modelos preditivos transparentes, a presente pesquisa justifica-se pela busca por uma abordagem que otimize o processo de planejamento e avaliação, e aumente a confiança clínica nas estimativas. A combinação da predição de DVH com a técnica SHAP para interpretar predições em nível individual ainda é uma área pouco explorada, o que confere uma contribuição adicional a este estudo. Assim, este trabalho teve como objetivo desenvolver um modelo de machine learning explicável para a predição de curvas DVH de órgãos adjacentes ao tumor em pacientes submetidos à SBRT pulmonar com a técnica VMAT.
2. Material e Métodos
O presente estudo adotou uma abordagem retrospectiva, observacional e quantitativa para desenvolver um modelo de machine learning explicável, visando a predição de curvas DVH em radioterapia pulmonar. A metodologia foi desenhada para otimizar o planejamento radioterápico, incorporando técnicas avançadas de análise de dados e interpretabilidade de modelos, o que contribui para maior objetividade e consistência no processo de tratamento.
A pesquisa utilizou dados de 350 pacientes com câncer de pulmão tratados com SBRT e técnica VMAT no Hospital Sírio-Libanês, São Paulo, Brasil, entre março de 2017 e março de 2025. Os planejamentos radioterápicos individuais constituíram a unidade de análise, focando na interação geométrica entre o volume-alvo e quatro órgãos adjacentes: árvore brônquica, coração, esôfago e medula espinhal. A coleta de dados foi realizada por extração automática do banco de dados do sistema de planejamento de tratamento (TPS) Eclipse (Varian Medical Systems), utilizando a API ESAPI (Eclipse Scripting Application Programming Interface), programada em C#, para acessar informações detalhadas dos planejamentos, incluindo estruturas delineadas, volumes e distribuição de dose. A dose foi calculada por meio do Anisotropic Analytical Algorithm.
Neste estudo, foi utilizada uma variação do DTH, subdividida em DTH-In, correspondente ao volume do órgão localizado nos mesmos planos axiais do alvo (região in-field), e DTH-Out, referente ao volume do órgão situado em planos axiais sem a presença do alvo (região out-of-field). Essa abordagem foi adotada com o objetivo de caracterizar de forma mais detalhada as diferenças na distribuição de dose entre essas duas regiões. Os intervalos de distância para os DTHs foram definidos a partir de perfis de dose axiais e longitudinais médios, extraídos da amostra via ESAPI em C#.
Processamento e Análise dos Dados
O processo de análise e modelagem preditiva foi implementado em Python, com um script dedicado a cada órgão. As bases de dados DTHs e DVHs foram submetidas à análise exploratória, incluindo estatística descritiva e avaliação das correlações de Pearson. A observação de correlações elevadas entre faixas de distância próximas motivou a aplicação de análise fatorial para redução de dimensionalidade das variáveis DTHs. A base de DTHs foi dividida em conjuntos de treino (80%) e teste (20%) por amostragem aleatória, assegurando a independência dos dados. Para DTH-In, foram extraídos três fatores com rotação ortogonal varimax, nomeados axial_adjacente, axial_media e axial_periferica. Para DTH-Out, utilizou-se um fator sem rotação, denominado long_adjacente. A adequação da análise fatorial foi avaliada pelo teste de esfericidade de Bartlett, com nível de significância de 5%. O número de fatores retidos foi orientado pelo critério de Kaiser (Bartlett, 1950; Kaiser, 1960). Os fatores resultantes, juntamente com o volume do alvo, formaram o subconjunto de variáveis explicativas, normalizado por transformação Min-Max. A base de DVHs foi combinada com os dados processados, onde o percentual da dose foi incorporado como variável explicativa adicional. Para a construção do DVH cumulativo, foram considerados 105 níveis de dose, variando de 1% a 105% da dose de prescrição, tendo como variável dependente, em cada nível, o percentual correspondente do volume do órgão.
O modelo preditivo adotado foi o XGBoost regressor, que emprega árvores de decisão sequenciais. A otimização de hiperparâmetros foi realizada por busca aleatória (RandomizedSearchCV) com 250 iterações, explorando diversas combinações de parâmetros como número de árvores, profundidade máxima e taxa de aprendizado. A Tabela 1 detalha o espaço de hiperparâmetros avaliado para o modelo XGBoost, refletindo as configurações testadas.
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 conduzida com GroupKFold, agrupando as observações pelo identificador do caso para evitar alocação simultânea de pontos da mesma curva DVH em treino e validação. O desempenho global do modelo foi avaliado por meio do coeficiente de determinação (R²), erro absoluto médio (MAE) e raiz do erro quadrático médio (RMSE). Adicionalmente, foi realizada análise por faixas de dose, utilizando MAE e RMSE. Após o treinamento, os artefatos do pipeline, incluindo o escalonador, os modelos fatoriais e o modelo final, foram salvos para garantir a reprodutibilidade dos resultados. A interpretabilidade local do modelo foi investigada utilizando a técnica Shapley Additive Explanations (SHAP), que permite 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, o que aumentou a transparência das predições. O fluxo metodológico completo do estudo, desde a extração dos dados via ESAPI/C# até o pipeline implementado em Python, incluindo a preparação das bases, a modelagem com XGBoost, a avaliação de desempenho e a interpretabilidade por SHAP, está esquematizado na Figura 1. Este diagrama visualiza as principais etapas e a sequência de procedimentos adotados para o desenvolvimento do modelo preditivo, facilitando a compreensão da arquitetura da pesquisa.
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
A pesquisa foi aprovada pelo Comitê de Ética em Pesquisa (CEP) do PECEGE (CAAE: 88110525.6.0000.9927) em 6 de junho de 2025, e posteriormente pelo CEP do Hospital Sírio-Libanês, como instituição coparticipante, em 16 de julho de 2025. Todos os procedimentos foram conduzidos em conformidade com as diretrizes éticas para pesquisa envolvendo dados de pacientes, garantindo a anonimização dos identificadores para preservar a confidencialidade dos participantes e a integridade dos dados.
3. Resultados e Discussão
A análise inicial dos perfis de dose revelou que a distribuição espacial da dose ao redor do alvo apresentou um comportamento distinto nas direções axial e longitudinal. Essa característica é compatível com a geometria dos planejamentos baseados em campos coplanares, que naturalmente favorecem uma distribuição anisotrópica da dose. Essa observação justificou a adoção de esquemas distintos de discretização para as componentes DTH-In e DTH-Out, permitindo uma representação mais precisa da complexidade geométrica envolvida no tratamento.
A Figura 2 ilustra o perfil axial médio de dose em função da distância à borda do alvo, destacando a região intra-alvo e os intervalos selecionados para a discretização do DTH-In. Observou-se uma queda acentuada da dose nos primeiros milímetros a partir da borda do alvo, seguida por uma redução mais gradual em distâncias maiores. Esse comportamento sublinha a necessidade de maior refinamento nos intervalos próximos ao alvo, onde as variações de dose são mais expressivas, e intervalos progressivamente mais amplos nas regiões mais periféricas.
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
Com base nesse perfil axial, foram definidos para o DTH-In os seguintes intervalos a partir da borda do alvo: -5 (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 discretização detalhada permite capturar as nuances da relação espacial entre o alvo e os órgãos adjacentes, fornecendo uma base robusta para a construção dos descritores geométricos que alimentam o modelo preditivo.
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. Nessa direção, a queda da dose foi ainda mais acentuada nas proximidades do alvo, concentrada em uma faixa espacial menor. Por isso, adotou-se uma discretização mais compacta, com maior detalhamento nos primeiros milímetros, refletindo a rápida diminuição da dose à medida que se afasta do alvo na direção longitudinal.
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, foram definidas as seguintes distâncias da borda do alvo: 2, 4, 6, 8, 12, 16 e 20 mm. A escolha desses intervalos mais curtos e densos para a componente longitudinal do DTH reflete a necessidade de capturar a rápida variação da dose nessa dimensão. A combinação das discretizações axial e longitudinal permite uma representação abrangente e diferenciada da relação espacial entre o alvo e os órgãos adjacentes, fundamental para a predição precisa do DVH.
Caracterização da Amostra
A amostra da pesquisa foi composta por 350 casos, embora o número de planejamentos analisados por órgão tenha variado de 339 a 350, devido à ausência de delineamento de todos os quatro órgãos em alguns planejamentos. O volume do alvo apresentou ampla variabilidade, com valores entre 1,6 e 165,9 cm³, indicando a heterogeneidade dos casos tratados. Essa diversidade é um fator importante para a generalização do modelo, pois abrange uma gama representativa de cenários clínicos.
Em relação às variáveis do grupo DTH-In, observou-se uma predominância de valores nulos nos intervalos mais próximos à borda do alvo. À medida que a distância em relação ao alvo aumentou, verificou-se um crescimento das médias, medianas e percentil 75, indicando uma maior representação volumétrica do órgão em regiões intermediárias e periféricas. Esse comportamento é consistente com a natureza cumulativa dos histogramas e com as características dos órgãos avaliados, que geralmente possuem volumes maiores em distâncias intermediárias e periféricas ao alvo.
As variáveis do grupo DTH-Out apresentaram medianas iguais a zero em todos os intervalos, sugerindo 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. As exceções incluíram o esôfago, sem casos de sobreposição com o alvo, e a medula, sem valores diferentes de zero em dthIn_5 (DTH-In = 5 mm) ou dthOut_8, o que é coerente com suas posições anatômicas.
A Tabela 2 apresenta a estatística descritiva detalhada das variáveis da árvore brônquica, oferecendo uma visão aprofundada da distribuição dos dados. Apesar da predominância de valores nulos em parte das variáveis, a existência de desvios-padrão e valores máximos superiores a zero demonstraram variabilidade nas distribuições, revelando a presença volumétrica dos órgãos em todas as distâncias consideradas.
Tabela 2. Estatística descritiva das variáveis da árvore brônquica (n = 341)
Fonte: Resultados originais da pesquisa
A Figura 4 apresenta as curvas DVH da amostra para os quatro órgãos analisados, evidenciando diferenças na dispersão e na extensão das curvas. A árvore brônquica exibiu curvas mais dispersas e maior extensão ao longo das faixas de dose, enquanto a medula mostrou maior variação de volume nas menores doses e ausência de volume em níveis de dose superiores a 40%. O esôfago e o coração apresentaram um comportamento intermediário.
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
Em síntese, a amostra reuniu uma diversidade anatômica e de distribuições dose-volume, características relevantes para o desenvolvimento de modelos preditivos com maior potencial de generalização. Essa heterogeneidade dos dados de entrada é crucial para treinar um modelo robusto, capaz de lidar com a variabilidade interpaciente e as complexidades anatômicas observadas na prática clínica da radioterapia pulmonar.
Análise de Correlação das Variáveis DTH
Para as duas componentes da variável DTH, observou-se a existência de correlações positivas elevadas entre faixas de distância próximas. Esse comportamento indica uma redundância de informação entre as variáveis, o que motivou a aplicação da análise fatorial como técnica de redução de dimensionalidade. A redução de dimensionalidade é essencial para evitar a multicolinearidade e melhorar a interpretabilidade do modelo, concentrando a informação em um número menor de constructos.
As Figuras 5 e 6 apresentam, para a árvore brônquica, os mapas de calor das matrizes de correlação de Pearson das variáveis DTH-In e DTH-Out, respectivamente. As figuras referentes aos demais órgãos estudados, presentes no Apêndice A do TCC original, exibiram comportamento semelhante. Contudo, variáveis com valor constante igual a zero para esôfago e medula foram excluídas da análise de correlação, conforme observado na análise descritiva, garantindo a validade dos resultados.
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 Figura 5 demonstra que, para o DTH-In da árvore brônquica, as variáveis de distância mais próximas entre si tendem a ter correlações mais fortes, indicando que a informação que elas carregam é similar. Essa alta correlação justifica a aplicação da análise fatorial para agrupar essas variáveis em fatores latentes, que representam as dimensões subjacentes da relação espacial de forma mais eficiente e menos redundante.
Figura 6. Mapa de calor da matriz de correlação de Pearson das variáveis DTH-Out para a árvore brônquica
Fonte: Resultados originais da pesquisa
De forma análoga, a Figura 6, que mostra a matriz de correlação para o DTH-Out da árvore brônquica, também revela correlações elevadas entre as variáveis de distância próximas. Esse padrão reforça a ideia de que a análise fatorial é uma abordagem adequada para sintetizar a informação contida nessas variáveis, transformando um conjunto de dados complexo em um conjunto de preditores mais conciso e interpretabilidade aprimorada para o modelo de machine learning.
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 avaliados e para as duas componentes do DTH, reforçando as observações da análise de correlação. Esse resultado estatístico valida a premissa de que as variáveis DTH são suficientemente correlacionadas para serem agrupadas em fatores, o que é um passo fundamental para a redução de dimensionalidade e a construção de um modelo mais eficiente.
A retenção dos fatores pelo critério de Kaiser resultou no mesmo número para os quatro órgãos analisados: três fatores para as variáveis do grupo DTH-In e um fator para o DTH-Out. Essa consistência entre os órgãos sugere que a estrutura latente da relação espacial entre o alvo e os órgãos adjacentes é similar, permitindo uma abordagem unificada na modelagem preditiva. A escolha do número de fatores é crucial para equilibrar a redução de dimensionalidade com a preservação da informação relevante.
As Figuras 7 e 8 apresentam, para a árvore brônquica, os gráficos de cargas fatoriais das variáveis DTH-In e DTH-Out, respectivamente. Os gráficos correspondentes aos demais órgãos, presentes no Apêndice B do TCC original, exibem padrões consistentes. No DTH-In, a rotação varimax tornou a estrutura fatorial mais clara, concentrando as cargas mais elevadas em fatores específicos e reduzindo a sobreposição entre componentes, o que permitiu distinguir três constructos com significado espacial em relação ao alvo: grau de presença do órgão nas regiões axial adjacente, axial média e axial periférica.
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
Como exemplificado na Figura 7, a primeira componente concentrou cargas mais elevadas nas faixas intermediárias de distância, a segunda nas faixas mais próximas ao alvo e a terceira nas faixas mais distantes, corroborando com a interpretação espacial. Essa distinção clara dos fatores facilita a compreensão de como diferentes regiões do órgão contribuem para a dose recebida, adicionando interpretabilidade ao modelo preditivo. A rotação varimax foi fundamental para essa separação conceitual dos fatores.
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. A simplicidade de um único fator para o DTH-Out reflete a menor complexidade espacial da relação longitudinal em comparação com a axial.
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 proporção da variância das variáveis originais explicada pelos fatores retidos, para os quatro órgãos, é apresentada na Tabela 3. 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
Fonte: Resultados originais da pesquisa
Este resultado está alinhado com Yuan et al. (2012), que demonstraram a viabilidade de representar o DTH por poucas componentes principais. Contudo, a divisão em DTH-In e DTH-Out apresentou assimetria entre essas duas regiões, uma vez que o DTH-In foi representado por três fatores, enquanto o DTH-Out, por apenas um, em todos os órgãos avaliados.
Desempenho do modelo preditivo do DVH
O modelo XGBoost apresentou 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 órgãos com diferentes características morfológicas. A capacidade do modelo de generalizar para diferentes órgãos com morfologias variadas é um indicativo de sua robustez e potencial aplicabilidade clínica. A otimização dos hiperparâmetros, conforme detalhado na metodologia, contribuiu para esse desempenho.
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, sendo o maior para a árvore brônquica (0,954), seguido por esôfago (0,942), medula (0,941) e coração (0,937). Em termos de erro, a árvore brônquica apresentou os maiores valores absolutos no teste, com MAE de 0,922 e RMSE de 2,899, o que é coerente com a maior dispersão observada nas curvas DVH desse órgão.
Tabela 4. Desempenho global do algoritmo XGBoost para predição do DVH nos quatro órgãos estudados
Fonte: Resultados originais da pesquisa
A proximidade entre os resultados de treino, teste e validação cruzada, associada à baixa dispersão entre os folds, indica ausência de sobreajuste acentuado e reforça a estabilidade do modelo. Esse comportamento é fundamental para garantir que o modelo não está apenas memorizando os dados de treinamento, mas sim aprendendo padrões generalizáveis, o que é crucial para sua aplicação em novos pacientes. A validação cruzada com GroupKFold foi essencial para essa avaliação.
Conforme já observado na análise descritiva da variável resposta, há uma redução da variabilidade de volume à medida que a dose aumenta, com concentração crescente de observações iguais a zero. Nessa situação, métricas globais podem ocultar diferenças importantes entre regiões da curva com grande amplitude de valores e regiões em que praticamente todo o volume do órgão tende a zero. Por esse motivo, o desempenho do modelo também foi avaliado por faixas de dose.
A Tabela 5 resume os resultados da análise estratificada por faixa de dose. 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, cujo desempenho foi inferior ao obtido na análise global. A partir de 20%, houve redução progressiva dos erros, com desempenho superior ao global, consistente com a menor variabilidade da resposta. Essa análise por faixas de dose oferece uma compreensão mais granular do desempenho do modelo.
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 |
| 20-40 | 17,097 | 0,559 | 1,379 | |
| 40-60 | 4,172 | 0,197 | 0,657 | |
| 60-80 | 2,3315 | 0,144 | 0,469 | |
| 80-105 | 1,085 | 0,100 | 0,281 | |
| Coração | 0-20 | 192,402 | 1,602 | 3,683 |
| 20-40 | 0,565 | 0,167 | 0,839 | |
| 40-60 | 0,045 | 0,047 | 0,200 | |
| 60-80 | 0,005 | 0,029 | 0,075 | |
| 80-105 | 0,000 | 0,027 | 0,056 | |
| Esôfago | 0-20 | 148,142 | 2,347 | 3,626 |
| 20-40 | 4,123 | 0,371 | 1,399 | |
| 40-60 | 0,062 | 0,057 | 0,147 | |
| 60-80 | 0,002 | 0,048 | 0,089 | |
| 80-105 | 0,000 | 0,052 | 0,111 | |
| Medula | 0-20 | 106,658 | 1,826 | 3,162 |
| 20-40 | 0,275 | 0,119 | 0,484 | |
| 40-60 | 0,000 | 0,013 | 0,021 | |
| 60-80 | 0,000 | 0,013 | 0,021 | |
| 80-105 | 0,000 | 0,013 | 0,022 |
Fonte: Resultados originais da pesquisa
O desempenho obtido do modelo para os quatro órgãos analisados foi compatível com trabalhos recentes. Jiao et al. (2021) reportaram R² médios entre 0,87 e 0,97 e MAE entre 1,16% e 7,95% para diferentes órgãos, valores da mesma ordem dos observados no presente estudo. Além disso, Brodin et al. (2022) validaram um modelo baseado em árvore de regressão gradient-boosted para predição de dose em órgãos em SBRT de pulmão, reforçando a aplicabilidade de métodos baseados em boosting nesse contexto.
A comparação dos resultados, porém, deve ser interpretada com ressalva, pois os estudos diferem quanto ao sítio anatômico ou às métricas de avaliação, além de Brodin et al. (2022) terem avaliado métricas pontuais de dose, e não a curva DVH completa. 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.
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
As comparações correspondentes para coração, esôfago e medula exibiram padrão semelhante e estão no Apêndice C do TCC original. Ainda assim, observaram-se, de forma pontual, pequenas inconsistências nas curvas estimadas, incluindo discreta violação local da monotonicidade esperada do DVH cumulativo, como no caso 263 para árvore brônquica, e ocorrência eventual de valores ligeiramente inferiores a zero. A ocorrência desses valores negativos pode ser contornada através de pós-processamento simples, com truncamento das saídas ao intervalo entre 0 e 100%.
As violações locais de monotonicidade poderão ser abordadas, em desenvolvimentos futuros, por ajustes na modelagem, incluindo a exploração de restrições de monotonicidade no XGBoost. Essa abordagem iterativa de refinamento do modelo é comum em machine learning e visa aprimorar a fidelidade das predições às características físicas do planejamento radioterápico, garantindo que as curvas DVH preditas sejam clinicamente aceitáveis e fisicamente plausíveis.
Explicabilidade da Predição
A Figura 10 ilustra a explicabilidade local do modelo para o caso 119, selecionado do conjunto de teste da árvore brônquica, através da análise em diferentes níveis de dose (10, 20, 40 e 80%) ao longo da curva DVH. Para cada nível de dose, foram utilizados dois gráficos complementares. O primeiro, à esquerda, apresenta a distribuição normalizada das variáveis explicativas na base de treino, situando os valores do caso analisado em relação aos dados utilizados pelo modelo. A coloração dos pontos representa os valores SHAP no nível de dose analisado, indicando a magnitude da contribuição de cada variável.
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
O segundo gráfico, à direita, do tipo waterfall, decompõe a predição a partir do valor médio esperado pelo modelo para aquele nível de dose, E[f(X)], até o valor final estimado para o caso, f(X). Os gráficos mostram uma transição no padrão explicativo ao longo da curva DVH, refletindo mudanças na importância relativa das variáveis conforme a dose considerada. Essa transição é um achado crucial para a interpretabilidade, pois demonstra como a contribuição de cada fator muda dinamicamente com o nível de dose.
Neste exemplo, nas menores doses, a predição é influenciada principalmente pelos constructos axial_periferica e axial_media. 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, consistente com distribuições de dose em tratamentos SBRT. Essa coerência entre a interpretação do modelo e o conhecimento clínico reforça a confiança nas predições.
Em contraste com o padrão observado anteriormente, a Figura 11 mostra que, no caso 173 (também do conjunto de teste), long_adjacente passa a ter participação mais relevante na predição no nível de dose de 10%, ao lado de axial_periferica. Isso significa 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, evidenciando a capacidade do modelo de capturar diferentes cenários anatômicos.
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 explicita a geometria dos dois casos exemplificados anteriormente por meio da reconstrução tridimensional do volume-alvo e da árvore brônquica sobreposta à projeção do campo de irradiação. No caso 119, observa-se maior proximidade e sobreposição parcial entre o volume-alvo e um ramo da árvore brônquica na região in-field, consistente com a maior relevância das componentes axiais na explicação da predição do DVH. Essa visualização tridimensional é fundamental para validar a interpretação dos valores SHAP.
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
Já no caso 173, a geometria é mais dispersa, com porções importantes da árvore brônquica em regiões out-of-field muito próximas ao alvo, em concordância com a maior participação de long_adjacente, sem excluir a contribuição de axial_periferica. Em conjunto, as Figuras 10, 11 e 12 mostram que os valores SHAP refletem relações espaciais entre alvo, órgão e campo de irradiação, reforçando a explicabilidade do modelo ao evidenciar a associação entre a predição do DVH e as características anatômicas de cada caso.
A interpretação do modelo também 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, tornando possível 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, de modo que 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 na literatura, 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.
Os resultados demonstram que o modelo desenvolvido é capaz de predizer as curvas DVH de órgãos adjacentes ao tumor com alta acurácia, ao mesmo tempo em que oferece transparência sobre as contribuições das variáveis explicativas. A integração dos descritores geométricos derivados do DTH, a redução de dimensionalidade por análise fatorial e a interpretabilidade via SHAP fornecem uma ferramenta promissora para otimizar o planejamento radioterápico e aumentar a confiança clínica nas estimativas de dose, respondendo diretamente ao objetivo do estudo.
4. Conclusão
O presente estudo objetivou 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 de Arco Modulado Volumetricamente (VMAT). Verificou-se que a distribuição espacial da dose ao redor do alvo apresentou um comportamento anisotrópico, o que justificou a divisão do Distance-to-Target Histogram (DTH) em componentes DTH-In e DTH-Out. A análise fatorial subsequente revelou que a complexidade geométrica dessas componentes pôde ser sintetizada em constructos latentes com significado espacial, como axial adjacente, axial média, axial periférica e longitudinal adjacente, que explicaram uma alta proporção da variância original. O modelo de regressão XGBoost demonstrou desempenho consistente para os quatro órgãos estudados, com coeficientes de determinação no conjunto de teste variando entre 0,937 e 0,954, e boa concordância visual entre as curvas DVH observadas e preditas. As análises de explicabilidade, realizadas com a técnica SHAP, indicaram que a contribuição das variáveis para a predição do DVH transicionou dinamicamente com o nível de dose, concentrando-se nas regiões de maior proximidade entre o órgão e o alvo em doses elevadas, o que se mostrou coerente com o conhecimento clínico e a geometria de irradiação. A principal contribuição deste trabalho reside no desenvolvimento de uma ferramenta preditiva de alta acurácia que, ao integrar a interpretabilidade em nível individual, oferece transparência sobre as estimativas de dose, potencializando o apoio ao planejamento e à avaliação radioterápica.
Apesar do desempenho robusto, observaram-se, pontualmente, pequenas inconsistências nas curvas DVH preditas, incluindo discretas violações locais da monotonicidade esperada e a ocorrência eventual de valores ligeiramente inferiores a zero, as quais podem ser mitigadas por pós-processamento simples. Adicionalmente, a interpretabilidade do modelo revelou que, em casos com características pouco representadas na base de treino, a predição pode estar sujeita a maior incerteza, exigindo cautela na interpretação. Para estudos futuros, sugere-se a exploração de ajustes na modelagem, como a incorporação de restrições de monotonicidade no XGBoost, visando aprimorar a fidelidade das predições às características físicas do planejamento radioterápico. A abordagem adotada, ao combinar a predição de DVH com a explicabilidade SHAP em nível individual, representa um avanço na literatura e pavimenta o caminho para a adoção clínica de modelos de machine learning mais transparentes e confiáveis na radioterapia.
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.
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.
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.
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.
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
