Dados do Trabalho

Título

Inteligência Computacional na Construção de um Sistema de Suporte na Triagem de Pacientes com Covid-19 a partir de Tomografias de Tórax

Introdução

Como os modelos de Aprendizado Profundo vem sendo utilizados no processamento de imagens, estes se tornaram ferramentas importantes nas pesquisas de identificação de doenças por meio de imagens médicas.
As lesões geradas no pulmão, como opacidade em vidro fosco e consolidação, podem ser segmentadas individualmente e classificadas.
Ao passar por um processo de treinamento com um banco de dados de imagens de pacientes infectados juntamente com de não infectados, os modelos se tornam capazes de absorver as informações e identificar quais padrões nas imagens correspondem ao rótulo de cada classe.
Métodos de interpretabilidade podem ser utilizados para exibir as regiões com maior relevância para o modelo.
Este trabalho propoe um sistema base para suporte à triagem e tomada de decisão acerca da doença COVID-19, utilizando a análise automática de imagens de tomografia.

Casuística e Métodos

10 mil imagens de pacientes infectados com COVID-19 e 10 mil de pacientes normais foram usados para treinar a etapa de classificação. 25 imagens de pacientes com COVID-19 foram selecionados para produção das máscaras de pulmão e das lesões do tipo opacidade em vidro fosco e consolidação. 1856 imagens com suas respectivas máscaras foram anotadas para treinar os modelos de segmentação.Para realizar as anotações destas máscaras foi utilizado o software 3DSLICER.
Para avaliar o treinamento, foi realizada uma validação cruzada por k-fold. A cada iteração, é realizado o treinamento de um modelo. Oito folds foram utilizadas para ajustar os parâmetros do modelo (conjunto de treino). Uma fold para validação e uma para avaliar a generalização do processo (conjunto teste). Para avaliar o desempenho do modelo de classificação foram utilizadas as medidas de sensibilidade, especificidade, precisão e valor preditivo negativo. Para avaliar os modelos de segmentação foram utilizadas as pontuações de Dice e Jaccard.

Resultados

Os modelos de segmentação dos pulmões atingiram um índice Dice de 97%. Modelos de classificação atingiram uma sensibilidade de 91%, precisão e especificidade de 98%. Enquanto o modelo de segmentação de lesões atingiu um índice Dice de 85% para consolidação, e um índice Dice de 77% para opacidade em vidro fosco.

Conclusões

O presente estudo tem sido capaz de conferir não somente um rótulo de classificação, mas também a interpretabilidade e quantificação da área das lesões pulmonares.

Palavras Chave

Covid-19; Inteligência Computacional; Triagem; Tomografia.

Área

Inteligência Artificial, Inovação e Telerradiologia