Algoritmo de aprendizado profundo identifica cálcio carotídeo em exames de Tomografia Computadorizada

Um algoritmo de aprendizado profundo tem um desempenho comparável ao de leitores humanos quando se trata de identificar calcificação da artéria carótida intracraniana (ICAC) em imagens de TC sem contraste, de acordo com um estudo publicado em 30 de junho na Radiologia: Inteligência Artificial. ICAC é um indicador de arteriosclerose intracraniana, um fator de risco para acidente vascular cerebral. Os resultados do estudo sugerem que esse tipo de modelo de aprendizado profundo pode ajudar os médicos a rastrear melhor os pacientes em risco de doença cerebrovascular, automatizando o que pode ser um processo trabalhoso, escreveu uma equipe liderada por Gerda Bortsova do Erasmus Medical Center em Rotterdam, Holanda. "Automatizar a avaliação do ICAC pode ... facilitar a pesquisa sobre a etiologia e as consequências clínicas da arteriosclerose intracraniana e pode, em última análise, permitir o uso da avaliação do ICAC na prática clínica", escreveu o grupo.

A calcificação da artéria carótida intracraniana é atualmente medida manualmente - o que pode ser demorado e sujeito a erros. É aí que a IA poderia ajudar, de acordo com Bortsova e colegas. Para este fim, a equipe procurou criar e validar um algoritmo ICAC automatizado baseado em aprendizado profundo para estimar o risco de acidente vascular cerebral em exames de TC sem contraste usando dados de 2.319 pacientes que participaram do estudo de Rotterdam (que investigou insuficiência cardíaca e risco de acidente vascular cerebral).

Os pacientes foram submetidos a exames de TC sem contraste entre 2003 e 2006 e foram monitorados para AVC até janeiro de 2016. Para este estudo, dois leitores radiologistas delinearam manualmente a condição nas varreduras de TC e o modelo de aprendizado profundo foi treinado para segmentar calcificação da artéria carótida intracraniana e quantificar seu volume. O desempenho do modelo foi avaliado comparando o manual do leitor do radiologista e as segmentações automatizadas do modelo com aquelas produzidas por um observador independente, escreveu o grupo.

Para identificar o ICAC, o algoritmo de aprendizagem profunda apresentou sensibilidade de 83,8% e valor preditivo positivo de 88%. A correlação entre as medidas de volume ICAC realizadas manualmente e automatizadas foi de 0,98. Os pesquisadores também encontraram uma forte associação de volume ICAC com acidente vascular cerebral para volumes medidos automatizados e manualmente, com taxas de risco de 1,38 e 1,48, respectivamente.

Usar o aprendizado profundo para esse tipo de avaliação de doença pode ajudar os radiologistas a lidar com grandes conjuntos de dados, de acordo com a equipe. "A avaliação automatizada pode substituir a avaliação manual em pesquisas ou ambientes clínicos, facilitando a análise de grandes quantidades de dados", concluíram Bortsova e colegas. "A avaliação automatizada também pode ser usada como ponto de partida para anotações manuais, o que acelera a anotação e pode aumentar a integridade da estimativa de carga do ICAC."

Imagem: Exemplos de segmentações manuais e automatizadas de estudo de Rotterdam e varreduras de conjunto de dados de trauma. As imagens mostradas foram pré-processadas. As imagens do conjunto de dados do trauma foram adicionalmente suavizadas com um filtro gaussiano para torná-las mais semelhantes aos exames do Estudo de Rotterdam usados ​​para treinamento e, assim, melhorar o desempenho do método. Imagens e legenda cortesia da RSNA.

Fonte: https://www.auntminnie.com/index.aspx?sec=sup&sub=cto&pag=dis&ItemID=132821