Visão computacional melhora qualidade de ressonâncias da cabeça, diz estudo

Um novo estudo mostra como pesquisadores do Reino Unido criaram um modelo de visão computacional para acelerar e melhorar a qualidade de exames de ressonância magnética da cabeça. Diante do aumento da demanda por ressonância magnética e da escassez de radiologistas nos últimos anos, o estudo, publicado na Medical Image Analysis, mostra como a criação de um modelo de visão computacional pode melhorar a qualidade da produção de ressonância magnética e reduzir o tempo necessário para relatar exames de cabeça anormais.

Modelos de visão computacional são projetados para obter informações significativas de imagens e vídeos digitais, de acordo com a IBM. O estudo incluiu 81.936 ressonâncias magnéticas realizadas em cérebros adultos no King’s College Hospital NHS Foundation Trust e Guy’s e no St Thomas NHS Foundation Trust.

O texto de cada uma dessas ressonâncias continha de cinco a dez sentenças de interpretação de imagens, retiradas do Sistema de Informação de Radiologia Computadorizada (CRIS). Os pesquisadores acreditam que os modelos de visão computacional mais robustos e aplicáveis ​​incluem vários fatores, como sensibilidade a qualquer anormalidade, a capacidade de dizer qual é uma resposta apropriada para a idade, a capacidade de capturar visualizações de imagens em fatias e voxels, flexibilidade no trabalho com vários tipos de pacientes e experiência com exames realizados em exames clínicos de rotina.

Com a intenção de criar um modelo que possa ser o mais aplicável possível, os pesquisadores observaram que as varreduras axiais ponderadas em T2 (sequências utilizadas na realização de exames que facilitam o reconhecimento de estruturas anatômicas) ocorreram em mais de 90% das ressonâncias magnéticas.

Com foco nesses tipos de varreduras, os pesquisadores começaram a desenvolver modelos. O processo de desenvolvimento consistiu em várias etapas, incluindo rotulagem do conjunto de dados, pré-processamento de imagens, interpretabilidade do modelo, experimentos e estudo de simulação. Os modelos foram treinados em escala usando um classificador de relatório de neurorradiologia baseado em Transformer.

Em uma simulação, o melhor modelo desenvolvido pelos pesquisadores foi capaz de auxiliar na produção de ressonâncias magnéticas mais rápidas e precisas, reduzindo o tempo médio de notificação de exames anormais de 28 dias para 14 dias e de 9 dias para 5 dias nos dois hospitais redes, mostra o estudo.

Após a identificação do modelo de melhor desempenho, os pesquisadores detalharam os vários pontos fortes do estudo. Esses pontos fortes incluíram a comprovação da confiabilidade de um relatório de neurorradiologia, os benefícios da coleta de dados de dois hospitais e a subjetividade dos modelos dedicados a varreduras ponderadas em T2 axial e ponderadas em difusão axial. As visualizações de fatias e voxels também forneceram várias perspectivas, aumentando a interpretabilidade.

Anteriormente, estudos mostraram que a inteligência artificial (IA) pode melhorar o desempenho das ressonâncias magnéticas. Por exemplo, um estudo publicado em dezembro do ano passado mostrou que as ressonâncias magnéticas podem detectar células tumorais moribundas com a ajuda da IA ​​desde um estágio muito inicial. Esse processo ocorre usando imagens quantitativas de ressonância magnética molecular para medir várias propriedades do tecido, juntamente com a IA que detecta rapidamente a morte das células tumorais e a resposta ao tratamento.

Assim como as ressonâncias magnéticas, o uso de uma abordagem de visão computacional para promover a descoberta de medicamentos é potencialmente aplicável. Um estudo explicou que definir a energia livre de ligação de um candidato a medicamento mostra várias implicações de como um medicamento pode funcionar. Fazer isso usando o aprendizado de máquina facilita o processo e fornece resultados mais rápidos.

Modelos de visão computacional também identificaram como as doenças alteram o corpo humano. Um estudo explicou que usar visão computacional para analisar imagens pode detectar mudanças na reação, tão precisas quanto mudanças em células individuais.