Nome do Projeto
MACHINE LEARNING APLICADO A RADIOLOGIA VETERINÁRIA
Ênfase
Pesquisa
Data inicial - Data final
01/08/2020 - 31/12/2021
Unidade de Origem
Coordenador Atual
Área CNPq
Ciências Agrárias
Resumo
Com o avanço da utilização dos computadores temos a possibilidade de melhorar os diagnósticos radiográficos na Medicina e na Medicina Veterinária, auxiliando o radiologista em sua tarefa de trazer um diagnostico mais preciso com um menor tempo. Sendo os "machine learning" uma ótima ferramenta para identificarmos padrões, pois elas são redes com aprendizado de máquina, simulando o aprendizado do cérebro humano, onde ela recebe a informação, processa e gera um resultado. Os primeiros resultados são animadores, pois BAGESTEIRO 2015 utilizou redes neurais em conjunto com imagens de tomografia computadorizada de alta resolução para classificar padrões pulmonares, para poder desenvolver uma ferramenta de auxílio no diagnóstico. Já Vasconcelos 2017 utilizou redes neurais em conjunto com imagens de termografia para auxiliar na detecção de anomalias mamárias, onde obteve resultados positivos, para câncer da Classe maligno, onde houve uma taxa de 93,42% de acerto e 94,73% de sensibilidade. Já que as redes neurais vem apresentando resultados promissores em múltiplas áreas da medicina, se faz necessário o estudo das mesmas no ramo da radiologia veterinária que será um avanço em nossas áreas de estudo.

Objetivo Geral

O objetivo geral do projeto é a realização de um estudo sobre a possível utilização de redes neurais auto-organizáveis como técnica para extração de atributos e redução de dimensionalidade na área de radiologia da medicina veterinária, visando sua posterior aplicação em um sistema de auxílio ao diagnóstico.

Justificativa

Recentes avanços na análise computadorizada de imagens médicas proporcionaram o surgimento de métodos e técnicas que auxiliam o radiologista no diagnóstico precoce de uma série de doenças. O desenvolvimento tecnológico proporciona uma melhoria na qualidade de vida dos seres vivos devida, principalmente, à facilidade, rapidez e flexibilidade no acesso à informação.
Na especialidade médica veterinária de radiologia, o profissional se depara constantemente com a necessidade de tomada de decisões frente a uma quantidade muito grande de informações, obtidas principalmente com a análise das imagens.
Os seres humanos, em geral, possuem grandes limitações em sua habilidade visual, o que pode prejudicar a análise e extração de informações pela inspeção de imagens. O estudo com Machine Learning (ML), no caso específico médico de aprendizado profundo com redes neurais (RN) vem acompanhado de grande interesse e seu desenvolvimento tem modificado vários aspectos do nosso dia-a-dia e, com certeza, vai revolucionar também a área da saúde.
A ideia de que o impacto será grande, com provável transformação da prática clínica do dia-a-dia em algumas áreas como radiologia, patologia, oftalmologia e diagnósticos oftalmológicos tem sido corroborada por publicações científicas. Na dermatologia, um algoritmo para uso no celular foi desenvolvido para a diferenciação de melanomas de outras lesões cutâneas com a mesma acurácia que um grupo de dermatologistas humanos (ESTEVA et al., 2017). Na patologia, o uso de algoritmos no estudo de Liu e colaboradores (2017) demonstrou maior sensibilidade na detecção de células tumorais em amostras histopatológicas. Na oftalmologia, trabalhos sobre a detecção e classificação da retinopatia diabética demonstram a aplicação clínica de LM no diagnóstico de lesões da retina (USMAN et al., 2014).
Outra questão que merece destaque, segundo Choy e colaboradores (2018), é o fato de que o diagnóstico do radiologista é normalmente baseado em uma interpretação fundamentalmente qualitativa dos dados, que sofre influência de diversos fatores externos, como por exemplo, a baixa qualidade e/ou problemas no método de aquisição da imagem, sobreposição de estruturas, e fatores pessoais, como fadiga visual, distração, entre outros.
Esses fatos corrobam com o estudo de Massad (2008), que mostra que em 20% das vezes dentro do estudo os radiologistas discordavam entre si ao perguntar se uma imagem era normal ou não, e ainda chama isso de “variabilidade Inter observacional” que seria a variação de opinião entre aqueles que observam a imagem. E ainda relatou que quando um mesmo radiologista revia a mesma imagem no outro dia, entre 5 a 10% das vezes se contradizia a sua primeira análise.
Na radiologia, tanto as competições de uso de ML do congresso anual da Radiological Society of North America em 2017 para definição de idade óssea e 2018 para o diagnóstico de pneumonia, como o lançamento de um jornal específico de ML em radiologia (RSNA, 2019), demonstram a preocupação da participação das sociedades de radiologia no desenvolvimento de instrumentos de ML para o diagnóstico por imagem.
A mudança está aí e nós, radiologistas, que sempre tivemos nossa atuação intimamente relacionada a evolução tecnológica, não ficaríamos alheios à ML, que possivelmente permitirá uma medicina de precisão e personalizada. Artigos de revisão como este de Koenigkam-Santos e colaboradores (2019) introduzem conceitos que permitem o aprofundamento do entendimento dessa nova era.
O diagnóstico médico é um processo em que a tomada de decisões está diretamente associada. Para que o processo de diagnóstico atinja seus objetivos, o profissional deve analisar e processar rapidamente uma grande quantidade de dados e informações.
Nesse sentido, a tecnologia surge como uma poderosa ferramenta auxiliar para o tratamento dessa informação, facilitando e dinamizando sua coleta, armazenamento, filtragem, processamento, transmissão e disponibilização no momento necessário.
Já que as redes neurais vêm apresentando resultados promissores em múltiplas áreas da medicina, se faz necessário o estudo das mesmas no ramo da radiologia veterinária, estando sempre em busca de avanços em nossas áreas de estudo.

Metodologia

Serão organizados o banco de dados radiográficos de animais avaliados no LADIC/UFPel, e separar em grupos de enfermidades, separando então em subgrupos, para que doenças distintas fiquem em grupos diferentes. Além disso, serão separadas as radiografias de animais sem as enfermidades dos grupos específicos, com base em exames radiográficos já existentes e realizados pelo Laboratório de Diagnóstico por Imagem e Cardiologia (LADIC/UFPEL) do HCV/UFPEL.
Serão identificados entre os modelos de rede neurais qual se encaixa melhor em cada caso, podendo ser utilizado modelos diferentes em doenças distintas, e classificar quais modelos são viáveis para enfermidades estudadas. Testando modelos de aprendizado supervisionado ou não supervisionado e verificando quais são mais promissores para o estudo.
Para tanto, os dados serão divididos em dois conjuntos, um para treinamento e outro para teste, para testar a validação. E utilizando novos dados coletados tanto para validação como para o treinamento.
Será realizado o processo de aprendizado dos modelos para identificar no teste se a radiografias é positiva para enfermidade ou negativa. Sendo então feita a classificação das imagens, a classificação é definida como a aplicação de métodos (RN) que reconhecem padrões em imagens, identificando os objetos que a compõem, onde essa classificação se baseia em determinar uma função que tem a capacidade de mapear um conjunto de padrões segundo Vasconcelos (2017).
Os resultados artificialmente obtidos serão comparados com os diagnósticos feitos por médicos veterinários do HCV/UFPEL afim de se validar ou não essa forma de estudo.

Indicadores, Metas e Resultados

Um dos propósitos de se desenvolver um sistema de apoio ao diagnóstico radiológico reside no fato de que, reconhecidamente, a detecção e consequente quantificação de padrões pelos radiologistas, mesmo os mais especializados, está sujeita a grandes variações interpessoais, devido ao caráter extremamente subjetivo das análises. Nesse sentido, um sistema computacional pode ser utilizado como uma ferramenta para eliminação de divergências e/ou dúvidas, como uma segunda opinião para o profissional. Portanto esperamos: - Avaliar o uso de redes neurais na radiografia veterinária, seja com aprendizado supervisionado ou não.
- Avaliar os diferentes tipos de redes neurais e seus usos na medicina veterinária.
- Fazer a comparação dos resultados dos modelos feitos com os diagnósticos clínicos.
- Definir as patologias com resultados satisfatórios e as que não há.

Equipe do Projeto

NomeCH SemanalData inicialData final
ALANA MORAES DE BORBA
EDUARDA ALÉXIA NUNES LOUZADA DIAS CAVALCANTI
GUILHERME ALBUQUERQUE DE OLIVEIRA CAVALCANTI16
LAURA DIAS PETRICIONE DE SOUZA
MAYARA CRISTTINE RAMOS
Mariana Wilhelm Magnabosco
PAULO DE TARSO MAIA MONTEIRO
THAIS COZZA DOS SANTOS

Página gerada em 07/07/2022 04:58:44 (consulta levou 0.062887s)