E se a ressonância cardíaca pudesse “ver” a cicatriz no coração sem nenhum contraste?

Existe um exame que os cardiologistas consideram o melhor método não invasivo para enxergar o que aconteceu com o músculo do coração depois de um infarto, de uma miocardite ou de outras doenças que deixam marca no tecido. Esse exame é a ressonância cardíaca sem contraste — ou melhor, com contraste: ele se chama realce tardio por gadolínio, e depende de uma injeção de contraste à base de gadolínio para funcionar. O problema é que uma parcela considerável dos pacientes que mais precisam desse exame são exatamente aqueles que não podem recebê-lo. Um estudo publicado em maio de 2026 na European Radiology apresenta um caminho diferente: e se um modelo de inteligência artificial pudesse gerar essas imagens sem a injeção?

O que o gadolínio faz que a ressonância comum não faz

Para entender o que está em jogo, vale primeiro perguntar: por que o contraste existe? A ressonância magnética (MRI, na sigla em inglês) é extraordinariamente boa em distinguir tecidos moles — gordura, músculo, líquido. Mas há situações em que ela precisa de um empurrão extra para revelar algo específico.

No caso do coração, o problema é o seguinte. Quando uma região do músculo cardíaco morre — por falta de oxigênio, por inflamação, por qualquer outro motivo — as células que ali existiam são substituídas por um tecido fibroso, uma espécie de cicatriz. Esse tecido cicatricial não se comporta como músculo vivo, mas, numa imagem de ressonância comum, ele pode parecer perfeitamente normal.

O gadolínio muda isso. Quando injetado na corrente sanguínea, ele se distribui pelos tecidos e, depois de alguns minutos, é eliminado pelos tecidos saudáveis. Mas nas regiões de fibrose — onde as células estão mortas e o espaço entre as fibras é maior — ele fica retido por mais tempo. O resultado é que, numa imagem tirada cerca de dez minutos após a injeção, as áreas doentes aparecem muito mais brilhantes do que o músculo normal. Daí o nome: realce tardio por gadolínio, em inglês late gadolinium enhancement ou LGE.

Pense numa esponja molhada colocada ao lado de um bloco de madeira. Se você jorrar água sobre os dois e esperar, a esponja retém a água por muito mais tempo. O gadolínio se comporta de forma análoga em relação aos tecidos com fibrose. Claro, a analogia tem limite — o gadolínio interage com o campo magnético de maneiras que a água numa esponja não faz, mas a ideia de “retenção seletiva” captura o mecanismo central.

O ponto é que esse realce é clinicamente valiosíssimo. Ele permite saber se há cicatriz, onde ela está, qual é o seu tamanho. Isso orienta decisões sobre medicamentos, cirurgias, até sobre o risco de arritmias fatais. Por isso o LGE é considerado o padrão de referência não invasivo para caracterização do tecido cardíaco.

O dilema dos pacientes que não podem receber contraste

O gadolínio, no entanto, tem uma fragilidade importante: ele é eliminado pelos rins. Em pacientes com função renal comprometida — e esses pacientes existem em grande número justamente entre os portadores de doenças cardíacas crônicas — o gadolínio pode se acumular e causar uma condição grave chamada fibrose sistêmica nefrogênica. Por isso, em pacientes com insuficiência renal significativa, o contraste é contraindicado.

Além disso, há pacientes com alergia ao gadolínio, outros com histórico de reações adversas a contrastes, e situações clínicas em que qualquer agente adicional representa risco. Em todos esses casos, o exame que seria o mais informativo simplesmente não pode ser feito. O médico fica com a ressonância cine — aquela que mostra o coração se contraindo em tempo real, sem contraste — e sem a informação sobre a textura do tecido.

Dessa lacuna nasceu a pergunta que motiva o estudo: seria possível extrair a informação do LGE diretamente das imagens cine, sem que o paciente precisasse receber nenhuma injeção?

Como o Cine2LGE aprende a “imaginar” o que o contraste revelaria

A resposta dos pesquisadores foi desenvolver um método chamado Cine2LGE, baseado em modelos de difusão — uma família de algoritmos de inteligência artificial que, nos últimos anos, se tornaram famosos por gerar imagens fotorrealistas a partir de descrições textuais, mas que também têm aplicações médicas cada vez mais exploradas.

A lógica do treinamento é direta, ao menos em princípio. Os pesquisadores reuniram pares de imagens do mesmo paciente: uma sequência cine e uma sequência LGE obtidas no mesmo exame. O modelo aprendeu, par a par, quais padrões nas imagens cine — textura, espessura, movimento da parede cardíaca — estão associados a quais padrões de realce nas imagens LGE correspondentes.

É um pouco como treinar alguém para reconhecer quando uma fruta está madura olhando apenas para a casca, sem poder provar. Com exemplos suficientes — neste estudo, mais de seis mil pares de imagens de quase 1200 pacientes —, o modelo começa a captar correlações que não são óbvias para o olho humano.

O conjunto de dados veio de múltiplos centros e de equipamentos de fabricantes diferentes, o que é relevante porque ressonâncias de fabricantes distintos produzem imagens com características técnicas diferentes. Um modelo treinado apenas num tipo de aparelho poderia falhar completamente em outro. O Cine2LGE foi testado tanto em dados internos quanto em um conjunto externo independente, para verificar se essa generalização de fato ocorre.

Os resultados mostram correlações estatisticamente robustas entre as imagens geradas pelo modelo e as imagens LGE reais — tanto para lesões com realce intenso quanto para lesões de intensidade intermediária, que são notoriamente mais difíceis de identificar. A capacidade do modelo de prever se havia ou não realce presente — uma tarefa de classificação binária — atingiu valores de AUC acima de 0,89 nos dois conjuntos de teste. Em termos práticos, isso significa que o modelo errou pouco ao dizer “há fibrose aqui” ou “não há”.

Um detalhe que chama atenção: os avaliadores independentes consideraram a qualidade das imagens geradas pelo Cine2LGE superior à das imagens LGE convencionais. Isso não quer dizer necessariamente que as imagens sintéticas são mais precisas clinicamente — qualidade visual e precisão diagnóstica são coisas diferentes —, mas sugere que o modelo não está simplesmente produzindo artefatos grosseiros.

O que ainda não se sabe — e por que isso importa

Antes de qualquer entusiasmo precipitado, vale nomear as perguntas que o estudo não responde.

A primeira é sobre causalidade. O modelo aprendeu correlações, não mecanismos. Ele não sabe por que a fibrose aparece num determinado lugar — ele aprendeu que certos padrões de movimento e textura nas imagens cine tendem a coincidir com certos padrões de realce. Isso funciona bem nas condições em que foi treinado, mas ninguém sabe ainda como ele se comporta diante de doenças raras ou apresentações atípicas que não estavam representadas nos dados de treinamento.

A segunda é sobre o uso clínico real. Um modelo que funciona bem em métricas estatísticas precisa, ainda assim, ser validado em estudos prospectivos — ou seja, estudos em que pacientes reais são avaliados com o método e acompanhados ao longo do tempo para verificar se as decisões clínicas baseadas nele levam a bons desfechos. Isso ainda não foi feito.

A terceira diz respeito às lesões pequenas. Correlações médias boas não garantem desempenho uniforme. É possível que o modelo seja excelente para infartos extensos e menos confiável para pequenas áreas de fibrose — exatamente o tipo de lesão que, muitas vezes, mais importa detectar precocemente.

Portanto, o Cine2LGE é, por enquanto, uma prova de conceito bem fundamentada. Não é ainda uma ferramenta pronta para substituir o LGE na prática clínica. Mas é um passo concreto em direção a algo que teria impacto real: permitir que pacientes renais, alérgicos ou de alto risco recebam informação diagnóstica que hoje simplesmente não está disponível para eles. E isso, por si só, é razão suficiente para acompanhar o que vem a seguir.

Baseado em “Generation of contrast-enhanced cardiac MRI from contrast-free scans: a multi-center, multi-manufacturer study” publicado por European Radiology em 06 de maio de 2026.

Link: https://link.springer.com/article/10.1007/s00330-026-12600-w

Conteúdo informativo. Não substitui avaliação clínica especializada.

Foto de MART PRODUCTION no Pexels (https://www.pexels.com/photo/technology-hospital-medicine-indoors-7089017/)