Modelo de fusão de multi-vistas baseado em deep learning para rastreamento da pneumonia pelo novo coranavírus 2019: Um estudo multicêntrico
NACCACHE, Mônica
WU, X; et al. Deep learning-based multi-view fusion model for screening 2019 novel coronavirus pneumonia: A multicentre study. European Journal of Radiology, v. 128, p. 109041, Jul. 2020. DOI: 109041 Disponível em: https://www.sciencedirect.com/science/article/pii/S0720048X20302308?via%3Dihub
O artigo apresenta um método baseado em aprendizagem-profunda (deep-learning) para identificação de pacientes com pneumonia causada por COVID-19, usando imagens de tomografia computadorizada (TC).
Resultados mostram que as imagens de TC têm grande potencial para a detecção de pneumonia causada por COVID-19. Porém, o processo é ainda lento devido à necessidade de análise manual de finas camadas de imagens (~ 300 por paciente). Dessa forma, métodos de inteligência artificial (IA) podem ser utilizados no sentido de minimizar o tempo de análise. Em especial, deep-learning tem se mostrado de grande aplicação na área médica, e seus resultados podem chegar a níveis equivalentes aos obtidos por um ser humano.
O trabalho visa testar um modelo de diagnóstico com métodos baseados em redes de deep-learning, usando imagens de TC do tórax de pacientes com pneumonia causada pela COVID-19. O estudo foi feito na China e usou dados de 495 pacientes de três hospitais diferentes. As imagens foram obtidas nas regiões pulmonares em vistas axial, coronal e sagital, e foi feito um pós-processamento para o teste e validação da rede.
Observou-se que as imagens de vistas múltiplas podem fornecer mais informações sem redundância. Assim, foi utilizado um modelo de fusão de multi-vistas, e usadas as três vistas (axial, coronal e sagital) para desenvolver o modelo para diagnóstico. O modelo foi implementado utilizando a linguagem de programação Python e baseado na estrutura Keras. O treinamento e teste da rede foram feitos usando o modelo de servidor TITAN XP, e a performance calculada na linguagem de programação R (desenvolvida para manipulação, análise e visualização de dados).
Os autores mostram que o modelo multi-vista apresenta melhor performance em relação ao de vista simples. Em geral, leva-se cerca de 10 minutos para examinar imagens de TC e identificar casos de COVID-19. Em contraste, menos de 5 segundos são necessários na comparação de um teste usando o modelo multi-vista. Observou-se também que o desempenho do modelo é melhor para o grupo de pessoas com mais de 60 anos, e do sexo feminino.
Os resultados obtidos vão de acordo com a literatura, mostrando que ferramentas de IA podem ser utilizadas de forma efetiva para melhoria da eficiência de diagnósticos, e redução da carga de trabalho dos profissionais envolvidos. No caso analisado, apesar do grau de sensibilidade e especificidade se mostraram baixos, as ferramentas de IA mostraram que podem ajudar a identificação de sinais típicos de pneumonia de COVID-19 em imagens de TC, inclusive alguns difíceis de serem identificados pelos radiologistas. Porém, observa-se a necessidade de aprimoramento do uso da ferramenta.
