Aplicações de Inteligência Artificial para imagens médicas

por Luis Vianna

Na atualidade, vemos as tecnologias de inteligência artificial (IA) e aprendizado de máquina sendo utilizadas em diversas áreas e gerando ganhos de eficiência e qualidade. No campo de imagens médicas, isso está sendo destacado, devido ao contínuo crescimento na utilização de exames de imagem[1] e no número de artigos em análise computacional de imagens médicas [2].

Como sistemas de inteligência artificial estão revolucionando a análise de imagens médicas? Sistemas de IA têm duas principais vantagens a fornecer: São capazes de realizar análises de forma rápida e consistente, o que significa obter custos menores e menores taxas de erro na interpretação[3].

Detecção, Classificação e Segmentação

As principais tarefas realizadas por sistemas de IA são encontrar achados nas imagens, envolvendo demarcar a região anormal, ou associar o exame a uma categoria. Como alguns exemplos de tarefas em que algoritmos são capazes de ter um desempenho próximo ao dos médicos podemos citar a classificação de câncer de pele em dermatologia [4] e a detecção de metástases em imagens de patologia [5]. Além disso, existem diferentes aplicações de radiologia onde alterações críticas são detectadas automaticamente e gerando notificações para auxiliar no laudo[6].

A ilustração acima mostra exemplos de aplicação de imagens médicas onde existem aplicações de inteligência artificial: classificação de massas em mamografias, segmentação de lesões no cérebro, segmentação das vias respiratórias, classificação de retinopatia diabética, segmentação de próstata, classificação de nódulos pulmonares, detecção de metástases de câncer de mama, classificação de lesões de pele e supressão de ossos [2].

A técnica mais usada, Deep learning

A explicação para esses avanços da inteligência artificial na análise de imagens médicas vem da combinação de três fatores importantes: Algoritmos clássicos de aprendizado supervisionado, o crescente poder computacional oferecido pelas placas gráficas modernas e a enorme quantidade de dados sendo gerados e coletados nos dias atuais. Um dos marcos no avanço da análise de imagens foi quando em 2015, pela primeira vez um algoritmo de classificação de imagens de objetos cotidianos superou o desempenho de humanos nessa tarefa[7]. A técnica usada nesse algoritmo é a mesma base de todos os novos sistemas de análise de imagens: redes neurais profundas e convolucionais[2]. Essa técnica oferece uma capacidade de aprendizado muito superior as primeiras formas de redes neurais, não apenas por incluir um grande número de parâmetros, mas também por serem reutilizados de forma eficiente dentro da rede. Por exemplo, existem parâmetros para reconhecer objetos pela forma, independente da posição do objeto na imagem.

Ampliação do tipo de aplicações

O desempenho dos programas de detecção e segmentação em exames continua a melhorar com a quantidade crescente de bancos de dados estruturados, e as aplicações existem novas formas de usar a inteligência artificial sendo desenvolvidas. Por exemplo, a área de registro de imagem tem como objetivo alinhar imagens de diferentes modalidades de exame para utilizar as informações combinadas, permitindo comparar imagens de datas diferentes para ter uma métrica mais precisa da evolução de pontos de interesse na imagem [8]. Além disso, a inteligência artificial pode ser usada melhorar a qualidade da imagem obtida nos exames, permitindo o uso de doses menores de radiação em tomografias para proteger os pacientes [9].

A MaChiron nessa jornada

Nós da MaChiron reconhecemos essa grande oportunidade que a inteligência artificial traz para utilizar melhor as informações contidas em cada imagem ou dado médico. Atualmente temos sistemas já desenvolvidos para ajuste de qualidade de radiografias, segmentação e quantificação de grau de aeração pulmonar e estamos construindo um sistema de auxílio ao diagnóstico para classificação de lesões focais no fígado.

Referências

[1] Smith-Bindman R, Kwan ML, Marlow EC, et al. Trends in Use of Medical Imaging in US Health Care Systems and in Ontario, Canada, 2000-2016. JAMA. 2019;322(9):843–856. doi:10.1001/jama.2019.11456

[2] Geert Litjens, Thijs Kooi, Babak Ehteshami Bejnordi, Arnaud Arindra Adiyoso Setio, Francesco Ciompi, Mohsen Ghafoorian, Jeroen A.W.M. van der Laak, Bram van Ginneken, Clara I. Sánchez, A survey on deep learning in medical image analysis, Medical Image Analysis, Volume 42, 2017, Pages 60-88, ISSN 1361-8415

[3] PAIVA, Omir Antunes and PREVEDELLO, Luciano M.. The potential impact of artificial intelligence in radiology. Radiol Bras [online]. 2017, vol.50, n.5 [cited 2020-08-21], pp.V-VI.

[4] Esteva, A., Kuprel, B., Novoa, R. et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature 542, 115–118 (2017).

[5] Liu, Yun, et al. “Detecting cancer metastases on gigapixel pathology images.” arXiv preprint arXiv:1703.02442 (2017).

[6] Sarah J Lewis PhD, MEd, BAppSci(DR) Hons Ziba Gandomkar PhD, MSc, BSc(EEng) Patrick C Brennan PhD, BSc(DR) Hons Artificial Intelligence in medical imaging practice: looking to the future J Med Radiat Sci 66(2019) 292– 295

[7] He, Kaiming, et al. “Delving deep into rectifiers: Surpassing human-level performance on imagenet classification.” Proceedings of the IEEE international conference on computer vision. 2015.

[8] Dr Yabo Fu, Dr Yang Lei, Dr Tonghe Wang, Dr Walter J Curran, Dr Tian Liu and Dr Xiaofeng Yang Deep learning in medical image registration: a review Accepted Manuscript online 27 March 2020 • © 2020 Institute of Physics and Engineering in Medicine

[9] H Shan, A Padole, F Homayounieh, U Kruger, RD Khera, C Nitiwarangkul, MK Kalra and G Wang. Competitive performance of a modularized deep neural network compared to commercial algorithms for low-dose CT image reconstruction. Nature Machine Intelligence. June 10, 2019.