Notícia

Algoritmo pode diagnosticar pneumonia

L.A. Cicero, Stanford.

Fonte

Universidade Stanford

Data

quarta-feira, 22 novembro 2017 17:25

Áreas

Bioinformática. Ciência da Computação. Processamento de Imagens. Padrões. Aprendizagem Profunda.

Pesquisadores da Universidade Stanford, nos Estados Unidos, desenvolveram um algoritmo que oferece diagnósticos baseados em imagens de raios-X de tórax. O algoritmo pode diagnosticar até 14 tipos de alterações e é capaz de diagnosticar pneumonia melhor do que radiologistas especialistas trabalhando sozinhos. Um artigo sobre o algoritmo, chamado ChexNet, foi publicado no último dia 14 de novembro no site de conteúdos científicos de acesso aberto arXiv.

“Interpretar imagens de raios-X para diagnosticar patologias como a pneumonia é muito desafiador, e sabemos que há uma grande variabilidade nos diagnósticos que os radiologistas apresentam”, disse Pranav Rajpurkar, estudante de pós-graduação no Grupo de Pesquisa em Aprendizagem de Máquinas de Stanford e co-autor do artigo científico.. “Nós estamos interessados em desenvolver algoritmos de aprendizado de máquinas que possam aprender com centenas de milhares de diagnósticos de tórax e fazer diagnósticos precisos”.

O trabalho usa um conjunto de dados públicos inicialmente lançado pelo Centro Nacional de Institutos de Saúde. Esse conjunto de dados contém 112.120 imagens de raios-X de tórax com vista frontal com até 14 possíveis patologias.

Os pesquisadores, trabalhando com o Dr. Matthew Lungren, professor de radiologia, usaram as conclusões de quatro radiologistas de Stanford sobre a análise de 420 imagens com possíveis indícios de pneumonia. A doença leva anualmente um milhão de americanos ao hospital, de acordo com os Centros para o Controle e Prevenção de Doenças, e pode ser de difícil detecção em raios-X. Então, o grupo de pesquisadores começou a desenvolver um algoritmo que poderia diagnosticar automaticamente a patologia.

Dentro de uma semana, os pesquisadores tiveram um algoritmo que diagnosticou 10 das patologias rotuladas nos raios-X com mais precisão do que os resultados anteriores. Em pouco mais de um mês, o algoritmo podia se sobrepor a esses padrões em todas as 14 tarefas de identificação. Nesse curto período de tempo, a ChexNet também superou os quatro radiologistas de Stanford no diagnóstico de pneumonia com precisão.

Por que usar um algoritmo

Muitas vezes, tratamentos para doenças comuns que ocorrem no peito, como a pneumonia, dependem fortemente de como os médicos interpretam imagens radiológicas. Mas mesmo os melhores radiologistas são propensos a diagnósticos errados devido a desafios em se perceber a diferença entre doenças em raios-X.

“A motivação por trás desse trabalho é ter um modelo de aprendizado profundo para auxiliar na tarefa de interpretação que possa superar as limitações intrínsecas da percepção e do viés humano e reduzir erros”, explicou o Dr. Matthew Lungren, co-autor do artigo. “Mais amplamente, acreditamos que um modelo de aprendizado profundo para este propósito poderia melhorar a prestação de cuidados de saúde em uma ampla gama de configurações“.

Após cerca de um mês de iteração contínua, o algoritmo superou os quatro radiologistas individuais de Stanford em diagnósticos de pneumonia. Isso significa que os diagnósticos fornecidos pela ChexNet concordaram com a escolha majoritária de radiologistas com mais frequência do que os radiologistas individuais. O algoritmo agora tem maior desempenho que qualquer trabalho que tenha sido divulgado até o momento relacionado ao conjunto de dados de raio X do tórax dos Institutos Nacionais de Saúde.

Muitas opções para o futuro

Também detalhados em seu artigo arXiv, os pesquisadores desenvolveram uma ferramenta baseada em computador que produz o que parece um mapa de calor das radiografias de tórax – mas em vez de representar a temperatura, as cores desses mapas representam áreas que o algoritmo determina que mais provavelmente representam pneumonia. Esta ferramenta poderia ajudar a reduzir a quantidade de casos perdidos de pneumonia e acelerar significativamente o fluxo de trabalho do radiologista, mostrando-lhes onde procurar primeiro, levando a diagnósticos mais rápidos para os pacientes mais doentes.

Paralelamente a outros trabalhos que o grupo faz com diagnósticos cardíacos irregulares e dados de registros médicos eletrônicos, os pesquisadores esperam que a ChexNet possa ajudar pessoas em áreas onde não seja possível o acesso fácil a um radiologista.

“Nós planejamos continuar construindo e aprimorando algoritmos médicos que podem detectar automaticamente anormalidades e esperamos que os conjuntos de dados médicos (anônimos) de alta qualidade sejam publicamente disponíveis para que outros trabalhem em problemas semelhantes”, disse Jeremy Irvin, estudante de pós-graduação no Grupo de Pesquisa em Aprendizado de Máquinas. “Existe um enorme potencial de que a aprendizagem de máquinas possa melhorar o sistema de saúde atual, e queremos continuar na vanguarda da inovação neste campo de pesquisa”, conclui o pesquisador.

Acesse o artigo científico completo (em inglês).

Fonte: Taylor Kubota, Stanford News. Imagem: L.A. Cicero, Stanford.

Em suas publicações, o Portal Tech4Health da Rede T4H tem o único objetivo de divulgação científica, tecnológica ou de informações comerciais para disseminar conhecimento. Nenhuma publicação do Portal Tech4Health tem o objetivo de aconselhamento, diagnóstico, tratamento médico ou de substituição de qualquer profissional da área da saúde. Consulte sempre um profissional de saúde qualificado para a devida orientação, medicação ou tratamento, que seja compatível com suas necessidades específicas.