A pandemia do COVID-19 levou a um aumento repentino no compartilhamento de dados, coleta de dados de imagens multicêntricas, anotação de dados on-line, aprendizado profundo e construção de grandes repositórios, de acordo com o especialista em informática Peter van Ooijen, que pede mais consideração sobre esses tópicos em treinamento em radiologia.
“Não se trata apenas do aprendizado profundo, mas também de infraestrutura, questões legais, padronização etc.”, disse ele ao AuntMinnieEurope.com, observando que várias iniciativas do lado da informática de imagem ocorrem desde março, embora elas nem sempre são comunicados como tal.
“Na EuSoMII [Sociedade Europeia de Informática em Imagens Médicas], estamos envolvidos na iniciativa imagingcovid19ai.eu”, acrescentou van Ooijen, coordenador do Machine Learning Lab no Data Science Center in Health (DASH) do University Medical Center Groningen, na Holanda.
Nos currículos de aprendizado de radiologia, há uma forte necessidade de incluir mais sessões de treinamento sobre informática de imagem, particularmente inteligência artificial (IA), e estudantes de medicina e radiologistas em treinamento estão exigindo um conhecimento mais amplo sobre questões de informática de imagem, disse ele.
“Na Holanda, estamos cobrindo informática de imagem no treinamento formal de nossos residentes, mas também os residentes iniciam suas próprias iniciativas para organizar reuniões sobre esses tópicos”, explicou Van Ooijen.”Na minha instituição, estudantes de medicina me procuraram perguntando se poderíamos ajudá-los a aprender mais sobre IA, então eles formaram sua própria equipe e, na DASH, nos juntamos a eles para aumentar o treinamento em ciência de dados para estudantes de medicina.”
O EuSoMII propôs um plano para a Sociedade Europeia de Radiologia (ESR) que agora faz parte do currículo do Diploma Europeu em Radiologia (EDiR), embora nenhum exame formal esteja disponível no momento. Este currículo possui um amplo espectro de tópicos, desde os padrões utilizados, como o DICOM / HL7, até as questões éticas que envolvem a implementação de sistemas de apoio à decisão e um conhecimento mais profundo da aprendizagem profunda.
Para o currículo de ESR, o EuSoMII propôs diferentes conhecimentos e níveis de habilidade em informática de imagem no treinamento formal de radiologistas – desde o primeiro ano de treinamento até uma especialização em informática de imagem médica.
O impacto dos desenvolvimentos em informática de imagem no trabalho diário do departamento de radiologia é significativo e, dado o desenvolvimento da informática e a implementação de um número crescente de ferramentas de software automatizadas, a forma como os radiologistas são treinados está se tornando ainda mais importante , Van Ooijen e colegas escreveram em um editorial publicado em 19 de maio pela European Radiology.
“Atualmente, a maioria dos radiologistas não possui conhecimentos e habilidades na área de informática por imagem, embora exista uma vontade clara de aprender sobre esses tópicos”, observaram. “Os estudos mostraram que a maioria dos radiologistas e residentes concorda que o treinamento acadêmico em informática de imagem deve ser implementado, embora também seja reconhecido que as restrições de tempo durante o treinamento em radiologia dificultam a inclusão da informática de imagem”.
Crescimento radiômico
Uma grande tendência de pesquisa é a análise radiômica e de textura, cuja popularidade se deve à sua simbiose entre dados de alto rendimento e tomada de decisão clínica, continuaram os autores.
Definida como uma abordagem de mineração de dados com o objetivo de extrair dados de alta dimensão na forma de uma infinidade de recursos de imagens clínicas para construção de aprendizado de máquina ou modelos estatísticos, a radiômica pode ser aplicada a várias modalidades de imagem para responder a perguntas clínicas relevantes, por exemplo , massas na cabeça e pescoço, fístulas pancreáticas, osteoporose do quadril, linfonodos e doenças pulmonares.
“A aplicação bem-sucedida da radiômica depende dos diferentes estágios da análise de imagens, como aquisição de imagens, extração de recursos e validação de modelos. Cada estágio precisa ser cuidadosamente avaliado para alcançar a construção confiável de um modelo que possa ser transferido para a prática clínica para fins de prognóstico, previsão de doença e avaliação da resposta da doença ao tratamento”, destacaram.
Como parte da abordagem radiômica, as técnicas de aprendizado de máquina podem ser empregadas para aprender com os exemplos fornecidos e detectar padrões difíceis de discernir a partir de conjuntos de dados grandes e complexos. Essa abordagem leva à seleção de características quantitativas que podem não ser diretas para um observador humano.
“O desempenho dos modelos radiômicos está flutuando devido às características de alta dimensionalidade; alguns estudos relatam desempenho que excede o dos radiologistas”, observaram os autores. “Uma das vantagens adicionais da radiômica é que o resultado é menos suscetível a alterações no protocolo de aquisição”.
Publicado em 24/06/2020 10h41
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”: