Inteligência Artificial auxilia na triagem de Raios-X de tórax

O uso de aprendizado profundo e processamento de linguagem natural reduziu o tempo para revisão de achados críticos de 11,2 para 2,7 dias.

28 Jan, 2019

De acordo com um estudo publicado na revista Radiology , a inteligência artificial é um sistema que pode interpretar e priorizar achados anormais nos raios-X de tórax, com observações críticas. Isso poderia potencialmente reduzir o atraso de exames e trazer cuidados urgentes para os pacientes.

A radiografia de tórax é responsável por 40% de todas as imagens de diagnóstico em todo o mundo. O número de exames pode criar atrasos significativos nas unidades de saúde. No Reino Unido, há uma estimativa de 330.000 exames de raios-X, que tenham esperado mais de 30 dias por um relatório.

"Atualmente, não há maneiras sistemáticas e automatizadas para triagem de radiografias de tórax e trazer as descobertas críticas e urgentes para o topo da pilha de relatórios", disse o co-autor do estudo, Giovanni Montana, Ph.D., ex-King's College London, em Londres e atualmente na Universidade de Warwick em Coventry, Inglaterra.

A aprendizagem profunda (DL), um tipo de IA capaz de reconhecer padrões sutis em imagens médicas, tem sido proposta como um meio automatizado para reduzir esse acúmulo e identificar exames que merecem atenção imediata, particularmente em sistemas de saúde financiados por fundos públicos.

Para o estudo, Montana e seus colegas usaram 470.388 radiografias de tórax de adultos para desenvolver um sistema de IA que pudesse identificar os principais achados. As imagens foram removidas de qualquer informação de identificação para proteger a privacidade do paciente. Os relatórios radiológicos foram pré-processados ​​usando o processamento de linguagem natural (NLP), um algoritmo do sistema de IA que extrai rótulos de texto escrito. Para cada raio-X, o sistema interno dos pesquisadores exigia uma lista de rótulos indicando quais anormalidades específicas eram visíveis na imagem.

"A PNL vai muito além da correspondência de padrões", disse Montana. "Ele usa técnicas de IA para inferir a estrutura de cada sentença escrita; por exemplo, identifica a presença de achados clínicos e localização do corpo e seus relacionamentos. O desenvolvimento do sistema de PNL para rotular radiografias de tórax em escala foi um marco crítico em nosso estudo ".

A PNL analisou o laudo radiológico para priorizar cada imagem como crítica, urgente, não urgente ou normal. Um sistema de IA para visão computacional foi então treinado usando imagens de raios-X e rotuladas para prever a prioridade clínica apenas das aparências. Os pesquisadores testaram o desempenho do sistema para priorização em uma simulação usando um conjunto independente de 15.887 imagens.

O sistema AI distinguiu anormalmente as radiografias de tórax normais com alta precisão. As simulações mostraram que as descobertas críticas receberam uma opinião especializada de radiologista em 2,7 dias, em média, com a abordagem de IA - significativamente mais cedo do que a média de 11,2 dias para a prática real.

"Os resultados iniciais relatados aqui são empolgantes, pois demonstram que um sistema de IA pode ser treinado com sucesso usando um banco de dados muito grande de dados radiológicos rotineiramente adquiridos", disse Montana. "Com mais validação clínica, espera-se que esta tecnologia reduza significativamente a carga de trabalho de um radiologista, detectando todos os exames normais, para que mais tempo possa ser gasto naqueles que exigem mais atenção."

Os pesquisadores planejam expandir sua pesquisa para um tamanho de amostra muito maior e implantar algoritmos mais complexos para um melhor desempenho. Os objetivos futuros da pesquisa incluem um estudo multicêntrico para avaliar prospectivamente o desempenho do software de triagem.

"Um grande marco para esta pesquisa consistirá na geração automatizada de sentenças descrevendo as anormalidades radiológicas observadas nas imagens", disse Montana. "Isso parece um objetivo alcançável, dada a tecnologia atual da IA".

Para mais informações: www.pubs.rsna.org/journal/radiology

Referência

1. Annarumma M., Withey SJ, Bakewell RJ, et al. Triagem Automatizada de Radiografias de Tórax de Adultos com Redes Neurais Artificiais Profundas. Radiologia, 22 de janeiro de 2019.https://doi.org/10.1148/radiol.2018180921

Fonte: ITN on line

A PHP Error was encountered

Severity: Warning

Message: sizeof(): Parameter must be an array or an object that implements Countable

Filename: front/noticias-detalhe.php

Line Number: 15

A PHP Error was encountered

Severity: Warning

Message: sizeof(): Parameter must be an array or an object that implements Countable

Filename: front/noticias-detalhe.php

Line Number: 32

Compartilhe


NOTÍCIAS RELACIONADAS

publicidade

publicidade