Algoritmo de inteligência artificial detecta fraturas de pulso problemáticas em raios-x

Um algoritmo de inteligência artificial (AI) foi capaz de detectar com precisão fraturas do escafoide em radiografias, potencialmente acelerando o diagnóstico dessas lesões problemáticas, de acordo com uma pesquisa publicada online em 28 de abril na Radiologia: Inteligência Artificial. Uma equipe de pesquisadores liderada por Nils Hendrix do Jeroen Bosch Hospital e Jheronimus Academy of Data Science na Holanda desenvolveu um sistema de detecção de fratura baseado em aprendizagem profunda que compreende duas redes neurais convolucionais (CNNs): uma para segmentação do escafóide e outra para detectar fraturas. Nos testes, seu sistema teve um desempenho comparável ao de 11 radiologistas.

"O sistema pode ajudar residentes, radiologistas ou outros médicos agindo como um primeiro ou segundo leitor, ou como uma ferramenta de triagem que ajuda a priorizar as listas de trabalho, reduzindo potencialmente o risco de perder uma fratura", disse Hendrix em um comunicado do o RSNA.

Compreendendo aproximadamente 7% de todas as fraturas do esqueleto, as fraturas do escafoide normalmente ocorrem quando as mãos são usadas para tentar evitar uma queda. O diagnóstico imediato é importante; essas fraturas podem não cicatrizar adequadamente se não forem tratadas, resultando em problemas como artrite e até mesmo perda de função, de acordo com os pesquisadores.

Embora o raio-X convencional seja a modalidade de imagem de escolha para o diagnóstico de fraturas do escafoide, geralmente é limitado pela sobreposição do escafoide com os ossos do punho ao redor. A visibilidade das fraturas também pode ser obscurecida por variações no posicionamento do punho e na técnica de raio-x, de acordo com os pesquisadores.

Como resultado, o grupo procurou desenvolver um sistema baseado em aprendizado profundo para ajudar os radiologistas a detectar essas fraturas. Eles usaram um conjunto de dados de 1.039 radiografias de 775 pacientes para treinar e testar um CNN de segmentação e, em seguida, outro conjunto de dados de 3.000 radiografias de 1.846 pacientes para treinar um CNN de detecção de fratura. Durante o teste, a segmentação CNN produziu um coeficiente de similaridade de dados de 97,4% ± 1,4 com uma distância de Hausdorff de 1,31 mm ± 1,03.

Os pesquisadores também realizaram um estudo de observador que envolveu 11 radiologistas, incluindo três residentes de radiologia e oito radiologistas assistentes. O algoritmo rendeu 78% de sensibilidade, 84% de especificidade e 83% de valor preditivo positivo em um conjunto de dados separado de 190 radiografias. Ele também apresentou desempenho comparável aos 11 radiologistas.

O sistema AI oferece o potencial de evitar exames de imagem adicionais e terapia desnecessária, além de agilizar o diagnóstico e possibilitar a terapia mais precoce, segundo os pesquisadores. Evitar atrasos no tratamento pode reduzir as complicações que levam a resultados clínicos abaixo da média. "A rede neural convolucional também pode reduzir a imobilização desnecessária do punho, realizada por precaução, em mais da metade dos pacientes com suspeita clínica de fratura do escafoide", disse Hendrix.

Os mapas de ativação de classe do algoritmo também se sobrepõem às linhas de fratura no escafoide e podem ser usados ​​para delinear fraturas potenciais, de acordo com os autores. Na próxima fase de seu trabalho, Hendrix et al planejam expandir o sistema para incorporar múltiplas visualizações de raios-x. Além disso, um estudo experimental está em andamento para avaliar o desempenho de radiologistas na identificação de fraturas do escafoide em radiografias com e sem o auxílio do software AI. Os pesquisadores também esperam estender o algoritmo para apoiar a detecção de fraturas em outras estruturas ósseas.

Imagem: Visão geral do pipeline de detecção de fratura do escafoide, que consistia em uma rede neural convolucional de segmentação e detecção (CNN). Um mapa de ativação de classe é calculado e visualizado como um mapa de calor para localização de fratura. Imagem cortesia da RSNA.

Fonte: https://www.auntminnie.com/index.aspx?sec=sup&sub=xra&pag=dis&ItemID=132239