quarta-feira, maio 22, 2024
Home Inovação Deep learning do Google detecta tuberculose com a mesma precisão de radiografias

Deep learning do Google detecta tuberculose com a mesma precisão de radiografias

por Redação
0 comentário

O Google desenvolveu um modelo de deep learning (aprendizado profundo) que pode detectar tuberculose com a mesma precisão que os radiologistas obtêm usando radiografias de tórax.

Uma nova pesquisa publicada na semana passada na revista Radiology descobriu que um sistema de aprendizado profundo desenvolvido pelo Google funciona no mesmo nível dos radiologistas na detecção de tuberculose pulmonar ativa usando radiografias de tórax.

De acordo com a Organização Mundial da Saúde (OMS), a tuberculose é uma infecção bacteriana que geralmente afeta os pulmões e se espalha quando um indivíduo infectado tosse, espirra ou cospe. A doença cria um fardo significativo para a saúde global, com 10 milhões de pessoas adoecendo a cada ano em todo o mundo. Destes, 1,5 milhão de pessoas morrem anualmente, apesar da tuberculose ser evitável e curável.

A OMS observa ainda que a doença é uma das principais causas de morte do mundo em termos de doenças infecciosas e é uma das principais causas de morte para pessoas com HIV. Estima-se que um quarto da população global esteja infectada com a bactéria da tuberculose, mas a maioria das pessoas que adoecem com tuberculose vive em países de baixa e média renda.

Essa carga global de doenças levou a esforços significativos para detectar e eliminar a tuberculose, mas vários desafios limitaram o progresso. Como parte de sua estratégia para facilitar a detecção precoce da TB, a OMS recomenda radiografias de tórax para facilitar o rastreamento da TB. No entanto, os autores do estudo observam que a falta de experiência em interpretação de radiografia de tórax em muitas regiões dificulta esses esforços.

Para resolver isso, os pesquisadores procuraram desenvolver um modelo de DL capaz de detectar tuberculose pulmonar ativa. O modelo foi treinado e testado usando um conjunto de dados retrospectivo de radiografias de tórax adquiridas de 1996 a 2020. Os dados foram obtidos de pacientes em dez países com resultados positivos de tuberculose confirmados por testes microbiológicos ou teste de amplificação de ácido nucleico (NAAT).

O modelo foi avaliado usando um conjunto de testes de quatro países contendo dados da China, Índia, Estados Unidos e Zâmbia, e um conjunto de dados contendo radiografias de uma população mineira na África do Sul. O desempenho do modelo foi então comparado com o de 14 radiologistas. O modelo foi projetado para atingir metas de 90% de sensibilidade ou 70% de especificidade, de acordo com as diretrizes da OMS para esse tipo de tecnologia.

No geral, o modelo teve um desempenho igual ao dos radiologistas. O modelo alcançou uma sensibilidade de 88% na comparação com 75% para radiologistas. Mas alcançou uma especificidade de 79% na comparação com 84% para radiologistas.

Esses achados indicam que o modelo pode facilitar o rastreamento da tuberculose em áreas com recursos limitados de radiologistas, concluíram os pesquisadores. No entanto, mais pesquisas e validação clínica do modelo são necessárias antes que ele possa ser integrado aos ambientes clínicos.

A pesquisa é a mais recente em um esforço crescente para usar inteligência artificial (IA) para aprimorar imagens médicas. Os pesquisadores descobriram que os modelos de aprendizado de máquina desenvolvidos usando uma abordagem de crowdsourcing podem melhorar os esforços para quantificar os danos radiográficos nas articulações em pacientes com artrite reumatóide.

Na semana passada, um relatório especial de três partes delineou as melhores práticas para mitigar o viés em ferramentas de radiologia baseadas em IA e machine learning.

Notícias relacionadas

Deixe um comentário

* Ao utilizar este formulário concorda com o armazenamento e tratamento dos seus dados por este website.

SAÚDE DIGITAL NEWS é um portal de conteúdo jornalísticos para quem quer saber mais sobre tendências, inovações e negócios do mundo da tecnologia aplicada à cadeia de saúde.

Artigos

Últimas notícias

© Copyright 2022 by TI Inside