Pesquisadores na China desenvolveram um algoritmo baseado em Deep Learning que pode ajudar os radiologistas a detectar aneurismas cerebrais potencialmente fatais em imagens de angiotomografia.
Os aneurismas cerebrais são pontos fracos nos vasos sanguíneos do cérebro, que podem inchar e se encher de sangue. Se esse aneurisma protuberante vazar ou se romper, pode causar sintomas graves e, às vezes, ser fatal. O risco de ruptura depende do tamanho, formato e localização do aneurisma, tornando vital a detecção e caracterização dos aneurismas cerebrais.
A angiografia por tomografia computadorizada, que usa tomografia computadorizada de raios X para visualizar os vasos sanguíneos após a injeção de contraste na corrente sanguínea, é geralmente o exame de imagem de primeira linha para detectar aneurismas cerebrais. Mas esta pode ser uma tarefa desafiadora: a complexidade dos vasos intracranianos e o pequeno tamanho dos aneurismas cerebrais significa que alguns podem passar despercebidos durante uma avaliação inicial.
Como tal, os pesquisadores propõem que o Deep Learning – um tipo de aprendizado de máquina que é cada vez mais usado para desenvolver algoritmos para reconhecimento de imagem – poderia melhorar o desempenho dos radiologistas e reduzir o número de aneurismas que são inicialmente esquecidos.
“Em nosso trabalho diário, sempre nos deparamos com casos em que algumas lesões importantes não foram percebidas pelo olho humano”, disse o autor sênior Xi Long, do Hospital Union do Tongji Medical College, em um comunicado à imprensa. “Os aneurismas cerebrais estão entre as pequenas lesões que podem passar despercebidas na avaliação de rotina de imagens radiológicas.”
Relatando seu trabalho em Radiologia, Long e colegas desenvolveram um algoritmo de detecção baseado em uma rede neural convolucional. Para treinar e avaliar seu algoritmo de Deep Learning, eles usaram 1.068 imagens de angiotomografia de cabeça com aneurismas cerebrais relatados, adquiridos por quatro scanners diferentes em dois hospitais. Metade desses angiogramas de TC, que incluíram 688 aneurismas com tamanhos de 1,2 a 45,6 mm, foram usados para treinar o algoritmo. A outra metade, incluindo 649 aneurismas de 1,2 a 30,8 mm de tamanho, formou o conjunto de dados de validação.
Depois de treinar o algoritmo, a equipe o usou para detectar aneurismas cerebrais no conjunto de dados de validação. O algoritmo demonstrou sensibilidade máxima de 97,5% para detecção de aneurisma, com taxa de 13,8 achados falso-positivos por caso. Esses falso-positivos foram observados em áreas com estruturas ósseas, bifurcações e curvaturas de vasos e placas calcificadas. Os autores observam que a maioria deles pode ser facilmente identificada por radiologistas.
O desempenho do algoritmo melhorou gradualmente em sensibilidade com o tamanho do aneurisma, chegando a 100% em aneurismas de 10 mm ou maiores. A menor sensibilidade foi observada em aneurismas localizados nas artérias cerebrais anterior e posterior, a maioria dos quais eram menores que 3 mm. O algoritmo também encontrou oito novos aneurismas, seis dos quais eram menores que 3 mm, que haviam sido esquecidos pelos leitores humanos nos relatórios radiológicos iniciais.
Em seguida, os pesquisadores realizaram uma validação externa, usando 400 angiogramas de TC adicionais. Destes, 188 continham aneurismas (206, de 1 a 22 mm de tamanho) e 212 eram negativos. A validação foi realizada por quatro radiologistas com experiência de um a sete anos em angiotomografia de crânio.
Cada radiologista recebeu aleatoriamente 200 angiogramas de TC para interpretação com / sem ajuda do algoritmo. Para cada imagem, eles registraram o tipo, número, localização e tamanho de todos os aneurismas e o tempo de diagnóstico. Duas semanas depois, eles interpretaram as mesmas amostras novamente, sem / com o algoritmo.
A assistência do algoritmo de Deep Learning melhorou o desempenho dos radiologistas na detecção de aneurismas cerebrais, aumentando sua sensibilidade geral por lesão de 79,09% para 88,94%. A sensibilidade por caso foi de 81,63% e 91,86%, sem e com o algoritmo, respectivamente. Em particular, o desempenho melhorou muito para os dois radiologistas menos experientes.
Os pesquisadores enfatizam que o algoritmo pretende atuar como uma ferramenta de apoio, fornecendo ao radiologista uma segunda opinião para melhorar a precisão do diagnóstico, mas não substituindo o leitor humano.
“O algoritmo de Deep Learning precisa ser posteriormente validado em dados de imagem externos”, diz Long à Physics World. “Algumas melhorias, como a diminuição da taxa de falsos positivos, podem ser necessárias antes que possa ser usado clinicamente.”
Publicado em 12/11/2020 00h28
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”: