- UFPE/
- Institucional/
- Superintendências/
- Superintendência de Comunicação (Supercom)/
- Agência de Notícias (Ascom)/
- Pesquisas (Ascom)/
- Método de baixo custo e não invasivo contribui para agilizar diagnóstico de Covid-19
Pesquisa Pesquisa
Método de baixo custo e não invasivo contribui para agilizar diagnóstico de Covid-19
O método ajuda a distinguir os casos de Covid-19 e pneumonia
Por Petra Pastl
O rápido e devastador surto de Covid-19 gerou para a ciência o desafio global de desenvolver novos testes de diagnóstico, medicamentos e vacinas para enfrentar este problema de saúde pública. Foi pensando em somar esforços para amenizar a situação que professores e pesquisadores do Centro de Estudos e Ensaios em Risco e Modelagem Ambiental (Ceerma-UFPE) Caio Souto Maior, João Mateus Santana, Isis Didier Lins e Márcio das Chagas Moura utilizaram modelos de Inteligência Artificial (IA) para o desenvolvimento de um método de apoio ao diagnóstico da Covid-19 com base em imagens radiológicas. Especificamente, os autores construíram modelos de redes neurais convolucionais (CNN) para, a partir de imagens de raios-X de tórax, distinguir uma pessoa saudável de uma pessoa com pneumonia ou Covid-19. As CNNs – do inglês convolutional neural networks ou ConvNet – são uma classe de rede neural artificial do tipo feed-forward, que vem sendo aplicada com sucesso no processamento e análise de imagens digitais.
Os pesquisadores combinaram seis diferentes bancos de dados com imagens de raios-X de tórax disponíveis em repositórios abertos para diferenciar os quadros de Covid-19 e pneumonia, daquelas de imagens “sem achados”. Segundo os autores do estudo, publicado no artigo “Convolutional neural network model based on radiological images to support Covid-19 diagnosis: Evaluating database biases”, como a doença é recente, a disponibilidade de imagens radiológicas é limitada e os métodos que consideram poucas bases de dados para treinar um modelo CNN podem inflar incorretamente os resultados. A pesquisa também avalia e discute como os modelos de IA podem ser enviesados, a depender da forma como as imagens são organizadas.
ALERTA | "Pelo reduzido número de bases de dados públicas no âmbito da Covid-19, muitos trabalhos usam, na construção dos modelos de aprendizagem de máquina, uma base para pessoas saudáveis e outra para pacientes com Covid-19, o que pode direcioná-los para detectar bases e não características intrínsecas à doença”, explica a coordenadora do estudo, professora Isis Didier Lins. Ela complementa: “Assim, a capacidade desses modelos de distinguir presença ou ausência de aspectos específicos concernentes à Covid-19 é posta em xeque, apesar dos altos desempenhos que vêm sendo reportados.”
Nesta pesquisa, segundo a professora Isis Lins, os autores tiveram o cuidado de utilizar imagens de pessoas saudáveis, com pneumonia e com Covid-19, provenientes de múltiplas bases, tanto no treinamento, quanto no teste da CNN, e os resultados foram bastante satisfatórios. “Obtivemos precisão balanceada de 97.0%, ou seja, de cada 100 imagens identificadas pelo modelo, como de indivíduos com Covid-19, 97 estão corretamente associadas a pessoas doentes", explica.
Para Isis, apesar de os pesquisadores terem verificado um desempenho de 97,2% de precisão balanceada (BA – balanced accuracy) para o teste com uma base de dados para pessoas saudáveis e outra para pacientes com a enfermidade pandêmica, o uso de imagens provenientes de várias bases para as diferentes classes forneceu resultados mais robustos e menos inflados. Portanto, os modelos são treinados para detectar ou não achados da Covid-19 e pneumonia em imagens heterogêneas, isto é, oriundas de diferentes fontes que podem estar associadas, por exemplo, a diversos aparelhos de raio-X, perfis de pacientes, entre outros.
De acordo com o estudo, financiado com recursos do Edital Emergencial de Credenciamento e Fomento de Projetos, Visando Ações Para o Diagnóstico e Prevenção da Covid-19, da UFPE, o melhor modelo criado alcançou BA de 87,7% na previsão de uma das três classes – “sem achados”, “Covid-19” e “pneumonia” – e BA específica de 97,0% para a classe “Covid-19”. Ainda, as classificações binárias forneceram uma precisão de 91,0% para detecção de pacientes doentes, ou seja, com Covid-19 ou pneumonia, e 98,4% para detecção de Covid-19, diferenciando-a das categorias “sem achados” ou “pneumonia”.
E mais: a pesquisadora afirma que “os modelos desenvolvidos podem apoiar o diagnóstico clínico da nova doença de maneira rápida, uma vez que, após o treinamento, eles requerem menos de um segundo para avaliar uma imagem. Além disso, são meios de apoio a diagnóstico não invasivos e de baixo custo”. O estudo indica que os modelos podem ser usados para auxiliar a seleção e a priorização de pacientes em unidades de saúde e hospitais lotados. “Os modelos fornecidos neste trabalho podem ser uma alternativa para aumentar o número de indivíduos testados para Covid-19, e essa abordagem também tem valor em telerradiologia, pois um método de apoio a diagnóstico baseado em dados integrado a um sistema de telessaúde classifica rapidamente as imagens radiológicas, o que é especialmente útil com doenças altamente transmissíveis”, diz.
Os modelos podem ser retreinados e atualizados na medida em que mais imagens de raio-X associadas a pacientes com Covid-19 se tornem disponíveis. Os pesquisadores também desenvolveram um web app, COviX – Covid-19 visual map in X-ray, para visualização das imagens de raio-X com destaque nas regiões que mais contribuíram para a classificação sugerida pela CNN. O aplicativo será registrado no Instituto Nacional da Propriedade Industrial (INPI) por intermédio da Diretoria de Inovação e Empreendedorismo da UFPE.
Mais informações
Centro de Estudos e Ensaios em Risco e Modelagem Ambiental (Ceerma-UFPE)
(81) 2126.7112
ceerma@ceerma.org
Isis Didier Lins (coordenadora da pesquisa)
isis.lins@ufpe.br