Inteligência Artificial aumenta o desempenho de diagnóstico de raios-X do novo coronavírus

Um algoritmo de inteligência artificial (IA) chamado CV19-Net impulsionou o desempenho dos radiologistas torácicos quando se tratou de distinguir a pneumonia COVID-19 de outros tipos de pneumonia em radiografia de tórax, de acordo com um estudo publicado em 24 de setembro em Radiologia. As descobertas são uma boa notícia, pois os radiologistas tentam entender melhor a aparência do COVID-19 em raios-x, escreveu uma equipe liderada por Ran Zhang, PhD, da Universidade de Wisconsin em Madison.

Estudos recentes descobriram que a sensibilidade da radiografia de tórax era fraca para diagnosticar casos de COVID-19, observou o grupo. É possível que esse mau desempenho diagnóstico seja porque muitos radiologistas estão vendo casos de pneumonia causados ​​por COVID-19 pela primeira vez. Os radiologistas deveriam ler mais casos para aprender as características reveladoras da pneumonia induzida por COVID-19, mas o aprendizado de máquina pode ajudar enquanto isso. "O aprendizado de máquina, particularmente os métodos de aprendizado profundo, têm vantagens únicas no aprendizado rápido e incansável para diferenciar a pneumonia COVID-19 de outros tipos de pneumonia usando imagens de raios-X de tórax", escreveram os autores

O grupo de Zhang desenvolveu um algoritmo de IA para resolver o problema de baixo desempenho de diagnóstico no diagnóstico de COVID-19 em raios-x. A equipe treinou, validou e testou uma rede neural profunda chamada CV19-Net com radiografias de tórax feitas de pacientes com e sem COVID-19. Os pacientes com a doença foram confirmados entre fevereiro e maio deste ano, enquanto o grupo de radiografias de tórax de pacientes sem pneumonia induzida por COVID-19 foi realizado entre outubro e dezembro de 2019.

Os pesquisadores compararam a sensibilidade, especificidade e área sob a curva de característica de operação do receptor (AUC) de três leitores experientes de radiologistas torácicos com os do algoritmo. Dados de um total de 2.060 pacientes com pneumonia COVID-19 (5.806 radiografias de tórax) e 3.148 pacientes com pneumonia não COVID-19 (5.300 radiografias de tórax) foram usados ​​para treinar, validar e testar o algoritmo; a equipe usou 500 radiografias para o conjunto de teste do estudo (metade dos casos foi COVID-19 positivo e a outra metade negativo).

O algoritmo teve um desempenho comparável ou melhor em sensibilidade para os leitores do radiologista; em particular, quando os pesquisadores usaram os resultados da interpretação de uma imagem específica dos três leitores, eles encontraram uma AUC média de 0,85 em comparação com a AUC do algoritmo de 0,94 no conjunto de teste do estudo.

"A combinação da radiografia de tórax com o algoritmo de aprendizado profundo CV19-Net proposto tem potencial como um método preciso para melhorar a precisão e oportunidade da interpretação radiológica da pneumonia COVID-19", concluiu a equipe.

Imagem: Exemplos de radiografias de tórax e mapas de calor gerados pela rede a partir do conjunto de teste de estudo do leitor. Acima, à esquerda: Um caso de pneumonia COVID-19 (homem de 64 anos) que foi classificado corretamente pelo CV19-Net, mas incorretamente pelos três radiologistas. Acima, à direita: O mapa de calor gerado pelo CV19-Net sobreposto à imagem original. A coloração vermelha destaca as regiões anatômicas que mais contribuem para a previsão CV19-Net.

Um caso de pneumonia não COVID-19 (mulher de 58 anos) que foi classificado corretamente pelo CV19-Net, mas incorretamente pelos três radiologistas. Abaixo, à direita: O mapa de calor destaca as regiões anatômicas que mais contribuem para a previsão CV19-Net. Imagens cortesia da RSNA.

Fonte: https://www.auntminnie.com/index.aspx?sec=ser&sub=def&pag=dis&ItemID=130329