Os derrames são emergências médicas com risco de vida, onde o tratamento urgente é essencial. Eles ocorrem quando parte do cérebro é cortada de seu suprimento normal de sangue. O tipo mais comum de AVC (responsável por quase 85% de todos os casos) é um AVC isquêmico, que é causado por um coágulo que interrompe o fornecimento de sangue ao cérebro. Os acidentes vasculares cerebrais com oclusão de grandes vasos (LVO) ocorrem quando tal bloqueio é encontrado em uma das principais artérias do cérebro. Como os derrames LVO são mais graves, eles exigem diagnóstico imediato e abertura da artéria bloqueada o mais rápido possível.
Na prática clínica, o método mais comum usado para detectar LVOs é uma modalidade de imagem chamada angiografia por TC. Este método fornece aos médicos uma imagem 3D detalhada dos vasos sanguíneos do cérebro do paciente. Uma técnica de TC mais recente, a angiografia por TC multifásica, fornece mais informações do que sua contraparte monofásica por meio da aquisição de angiogramas cerebrais em três fases distintas: pico arterial (fase 1), pico venoso (fase 2) e venoso tardio (fase 3). A principal vantagem desse método vem de seu potencial para detectar qualquer atraso no enchimento dos vasos, permitindo que os médicos realizem uma avaliação resolvida no tempo.
Um grupo de pesquisadores liderado por Ryan McTaggart, da Brown University, desenvolveu uma ferramenta com potencial para identificar e priorizar rapidamente os pacientes LVO em um ambiente de emergência. Para isso, eles construíram e treinaram uma rede neural convolucional capaz de classificar a presença de LVOs em angiografias por TC. Este é o primeiro estudo que usa o aprendizado profundo para identificar LVOs nas artérias anteriores e posteriores usando imagens de angiotomografia multifásica. Seus resultados são resumidos em Radiologia.
Um modelo de aprendizado profundo que pode classificar LVOs …
Para treinar, validar e testar seu modelo, os pesquisadores usaram um conjunto de dados de 540 indivíduos com exames de angiografia por TC multifásicos. Destes, 270 pacientes tinham presença confirmada de LVO, enquanto os outros 270 eram LVO negativos. Cada tomografia computadorizada passou por uma série de etapas de pré-processamento.
Em primeiro lugar, os pesquisadores padronizaram suas varreduras por meio de reamostragem isotrópica (resolução de voxel de 1 mm3), redimensionamento de imagem (500 x 500 pixels) e normalização de intensidade (entre 0 e 1). Em seguida, eles empregaram um algoritmo de segmentação de vasos para aumentar a relação sinal-ruído das imagens. Finalmente, para aumentar ainda mais os vasos sanguíneos, eles selecionaram 40 cortes axiais mais craniais de cada sujeito e produziram uma única imagem 2D por meio de uma técnica chamada projeção de intensidade máxima.
Para avaliar o desempenho diagnóstico do modelo de aprendizagem profunda proposto, o grupo decidiu experimentar sete estratégias de treinamento. Em cada estratégia, a equipe usou um subconjunto diferente de dados de angiografia por TC multifásico: cada fase sozinha ou várias combinações (fases 1 e 2, fases 2 e 3, fases 1 e 3 e todas as três fases juntas).
? Atinge alto desempenho de diagnóstico
O grupo usou um conjunto de dados de 62 pacientes (31 LVO-positivos e 31 LVO-negativos) para testar suas sete estratégias. O modelo teve melhor desempenho ao usar todas as três fases como entrada, onde obteve uma sensibilidade de 100% (31 de 31) e uma especificidade de 77% (24 de 31). Além disso, a combinação do pico arterial (fase 1) e venoso tardio (fase 3), ou o pico venoso (fase 2) e venoso tardio (fase 3), resultou em modelos significativamente melhores do que usar apenas angiografia por TC monofásica.
O modelo deu boas previsões em dados demográficos de pacientes, várias instituições e scanners. Além disso, detectou oclusões de circulação anterior e posterior. “[Nosso modelo] pode funcionar como uma ferramenta para priorizar a revisão de pacientes com potencial LVO por radiologistas e médicos no ambiente de emergência”, concluem os pesquisadores. Para trabalhos futuros, o grupo visa avaliar a utilidade clínica do modelo testando-o em um ambiente de emergência em tempo real.
Publicado em 14/11/2020 01h25
Artigo original:
Achou importante? Compartilhe!
Assine nossa newsletter e fique informado sobre Astrofísica, Biofísica, Geofísica e outras áreas. Preencha seu e-mail no espaço abaixo e clique em “OK”: