Utilização de algoritmos de IA na predição de dose radiológica em exames de tórax: uma ferramenta de apoio à física médica
DOI:
https://doi.org/10.29384/rbfm.2026.v20.19849001851Palavras-chave:
Dose de entrada na pele, Radiografia de tórax, Inteligência artificial, Radioproteção, Física MédicaResumo
A predição precisa da Dose de Entrada na Pele (DEP) é essencial para a garantia de qualidade e segurança em exames de radiografia de tórax. Este estudo investigou a aplicação de algoritmos de inteligência artificial para prever a DEP a partir de fatores técnicos como mAs, kV, distância foco-filme (DFF) e espessura do paciente. Foram analisados dados de 150 radiografias de tórax com dosimetria física. Modelos de aprendizado supervisionado, incluindo Rede Neural Artificial (RNA) e Random Forest Regressor (RFR), foram treinados e avaliados quanto ao desempenho preditivo. A RNA apresentou erro absoluto médio (Mean Absolute Error - MAE) de 0,009 mGy e coeficiente de determinação R² = 0,990, enquanto o modelo RFR obteve MAE de 0,020 mGy e R² = 0,827. A média da dose física medida foi de 0,284 mGy, comparada às médias preditas de 0,274 mGy pela RNA e 0,282 mGy pelo RFR. Ambos os modelos apresentaram bom desempenho preditivo, com destaque para a RNA quanto à precisão. Esses achados reforçam o potencial da inteligência artificial como ferramenta de apoio às práticas de radioproteção e otimização dos parâmetros técnicos em ambientes clínicos.
Downloads
Referências
1. Bushberg JT, Seibert JA, Leidholdt EM, Boone JM. The essential physics of medical imaging. 3rd ed. Philadelphia: Lippincott Williams & Wilkins; 2012. 663-665.
2. International Atomic Energy Agency. Radiation protection and safety in medical uses of ionizing radiation. Specific Safety Guide SSG-46. Vienna: IAEA; 2018. p. 10-12.
3. Dance DR, Christofides S, Maidment ADA, McLean ID, Ng KH, eds. Diagnostic Radiology Physics: A Handbook for Teachers and Students. Vienna: International Atomic Energy Agency; 2014.
4. International Atomic Energy Agency. Radiation protection in diagnostic radiology. Safety Reports Series No. 457. Vienna: IAEA; 2018.
5. International Commission on Radiological Protection – ICRP. Recommendations of the International Commission on Radiological Protection. Annals of the ICRP, v. 34(1) (1991).
6. Agência Nacional de Vigilância Sanitária – ANVISA. Instrução normativa - IN nº 90, de 27 de maio (2021). Diário Oficial da União, nº 101, 31 de maio (2021).
7. Agência Nacional de Vigilância Sanitária (Brasil). Resolução RDC nº 611, de 9 de fevereiro de 2022. Dispõe sobre os requisitos sanitários para serviços de radiologia diagnóstica ou intervencionista. Diário Oficial da União [Internet]. 2022 fev 10 [citado 2025 out 6]; Seção 1:145–56.
8. Haykin, S. S. Neural networks and learning machines. [S.l.]: Pearson Upper Saddle River, NJ, USA, 2009. v. 3.
9. Abdo RC, Umisedo NK, Campos LT, Costa PR. Assessment of organ absorbed doses in patients undergoing chest X-ray examinations by Monte Carlo based softwares and phantom dosimetry. Radiat Meas. 2011;46(12):1981-1984. doi: 10.1016/j.radmeas.2011.07.017.
10. Yu H, Scalzo F, Zbijewski W, Sturgeon G, Tward DJ. Automated fetal dose estimation in CT using convolutional neurais networks and Monte Carlo simulations. Phys Med Biol. 2019;64(17):175005. doi:10.1088/1361-6560/ab332c.
11. Lin C, Hsieh Y, Lin Y, Hsu C, Chen J, et al. An artificial intelligence model for predicting an appropriate mAs with target exposure indicator for chest digital radiography. Sci Rep. 2025;15:1060. doi:10.1038/s41598-025-96947-y
12. Mori I, Nishio M, Sugiyama O, Onishi H. Reduction of radiation exposure in chest radiography using deep learning-based noise reduction. J Radiol Prot. 2025 Feb 3;45(1):012501. doi:10.1088/1361-6498/ad8a8b.
13. Isnawan K, Ardiansyah R, Suherman S. Identifikasi paparan radiasi X-Ray untuk keselamatan radiasi menggunakan Random Forest classification. Jurnal Teknika. 2023;8(2):75–81. doi:10.52561/teknika.v8i2.288.
14. Ferrante M, De Marco P, Rampado O, Gianusso L, Origgi D. Effective dose estimation in computed tomography by machine learning. Tomography. 2025 Jan 2;11(1):2. doi:10.3390/tomography11010002.
15. Ramlah R, Fadli M, Valerian J, Prajitno P, Sihono DSK. Random-Forest Model Prediction of Dose Distribution in Intensity-Modulated Radiation Therapy (IMRT) Planning for Lung Cancer. Iranian Journal of Medical Physics. 2023;20(5):298–304. doi:10.22038/ijmp.2022.64319.2101
16. Wambersie A, Zoetelief J, Menzel HG, Paretzke P. The ICRU (International Commission on Radiation Units and Measurements): its contribution to dosimetry in diagnostic and interventional radiology. Radiat Prot Dosimetry. 2005;117(1-3):7-12
17. Chakraborty S. Fundamentals of Machine Learning and Deep Learning. 1st ed. Cham: Springer; 2021.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Gustavo da Conceição, César Marques Salgado, Roberto Schirru
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
A submissão de artigos originais para a Revista Brasileira de Física Médica implica na transferência, pelos autores, dos direitos de publicação impressa e digital. Os direitos autorais para os artigos publicados são do autor, com direitos do periódico sobre a primeira publicação. Os autores somente poderão utilizar os mesmos resultados em outras publicações indicando claramente este periódico como o meio da publicação original. Em virtude de sermos um periódico de acesso aberto, permite-se o uso gratuito dos artigos em aplicações educacionais, científicas, não comerciais, desde que citada a fonte.
A Revista Brasileira de Física Médica está sob a Licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).
