Nome do Projeto
DeepRAD - Auxilio de diagnóstico odontologico em radiômica auxiliado por aprendizado de máquina
Ênfase
Pesquisa
Data inicial - Data final
01/06/2022 - 01/06/2025
Unidade de Origem
Coordenador Atual
Área CNPq
Ciências Exatas e da Terra
Resumo
O deep learning faz parte de um grupo de métodos de inteligência artificial que usa um grande número de unidades interconectadas para realizar tarefas mais complexas. Algorítimos de deep learning, ao invés de usar um pacote de instruções pré-programadas, são capazes de aprender por meio de banco de dados extensos. Algumas são as razões para o seu recente sucesso: a disponibilidade de dados, seu poder aumentado de processamento e seu rápido desenvolvimento de algoritmos. No campo odontológico, as CNNs já foram utilizadas para detectar lesões de cárie em radiografias de dentes permanentes, para detecção de perda óssea periodontal em radiografias periapicais ou para diagnosticar tumores na mandíbula em radiografias panorâmicas. Sistemas computadorizados de auxílio diagnóstico vêm sendo desenvolvidos com o objetivo de melhorar a acurácia dos exames, a consistência na interpretação de imagens, a avaliação prognóstica e o suporte à decisão de tratamento. Essas ferramentas possuem potencial enorme, porém, há ainda limitações para seu uso na rotina clínica. Com o advento da inteligência artificial e do big data, caminhamos para a redução dessas limitações, homogeneização e expansão do uso dessas ferramentas no dia-a-dia dos profissionais de saúde, tornando cada paciente único, levando a radiologia ao encontro do conceito de abordagem multidisciplinar e medicina de precisão (AERTS, 2016; CONSTANZO et al., 2017; GIARDINO et al., 2017; AERTS et al., 2017; KEEK et al., 2018). Diante da escassez de estudos na Odontologia na área da inteligência artificial e do caráter inovador no que diz respeito a redução do esforço humano e facilitação da rotina do cirurgião-dentista, o presente trabalho objetiva avaliar a eficácia das CNNs na identificação de diversas alterações e características dentárias em imagens radiográficas.

Objetivo Geral

O objetivo desse estudo é avaliar a eficácia das Convolutional Neural Networks (CNNs) na identificação dos elementos dentários presentes, anomalias dentárias e no diagnóstico de doenças bucais (lesões periapicais e lesões de cárie), utilizando radiografias panorâmicas e bitewing através do desenvolvimento e treinamento de um algoritmo de deep learning.

Justificativa

As Redes Neurais Convolucionais (Convolutional Neural Network, CNN) tem sido utilizadas com sucesso para avaliação automatizada em diversas áreas da medicina como em mamografias para detecção de câncer de mama, para triagens de câncer de pele, ou em exames de olhos para detecção de retinopatia diabética. No campo odontológico, as CNNs já foram utilizadas para detectar lesões de cárie em radiografias de dentes permanentes, para detecção de perda óssea periodontal em radiografias periapicais ou para diagnosticar tumores na mandíbula em radiografias panorâmicass. Portanto o uso das CNNs para esses fins pode reduzir esse esforço e facilitar a rotina do cirurgião-dentista. O objetivo desse estudo é avaliar a eficácia das Convolutional Neural Networks (CNNs) na identificação dos elementos dentários presentes, anomalias dentárias e no diagnóstico de doenças bucais (lesões periapicais e lesões de cárie), utilizando radiografias panorâmicas, bitewing e tomografias através do desenvolvimento e treinamento de um algoritmo de deep learning. Serão analisadas cerca de 100000 radiografias (panorâmicas, periapicais, bitewing) e 8000 tomografias anônimas digitais com seus respectivos laudos digitais radiológicos cedidas por uma clínica radiológica privada. Para cada desfecho, o teste de referência será baseado na informação contida nos laudos radiológicos digitais (padrão-ouro) associado às respectivas imagens utilizando processamento de linguagem natural. Será possível utilizar ferramentas de magnificação e aprimoramento das imagens (contraste e brilho). Será utilizada uma CNN customizada e pré-treinada e um grid search será desenvolvido.

Metodologia

Materiais e métodos
Para o desenvolvimento da arquitetura do modelo, será avaliado o desempenho do modelo candidato em relação à área abaixo da curva ROC (AUC). Serão avaliados diferentes números de unidades neurais (16 a 2048 em 2n) e números de filtros (16 a 2048 em 2n) para cada específica camada convulacional. Posteriormente serão aplicados diferentes tamanhos de núcleo (2x2 a 5x5) e as configurações da camada max-pooling serão avaliadas (2x2 a 4x4). Como funções ativadoras serão usadas unidades lineares retificadas (ReLUs) e sigmoides. O desenvolvimento métrico primário será AUC, que está relacionada com a habilidade de um teste (no caso desse estudo, um modelo) classificar de maneira correta (saudável/doente). As métricas secundárias serão a sensibilidade e a especificidade, juntamente com os valores preditivos positivo e negativo (VPP e VPN).

Banco de imagens e pré-processamento
Serão cedidas cerca de 100000 radiografias (panorâmicas e periapicais, e bitewings) e 8000 tomografias anônimas com seus respectivos laudos radiológicos digitais numerados e também anonimizados cedidos por uma clínica radiológica privada (termos anexados). A partir deste banco bruto, dois examinadores experientes selecionarão as radiografias que não apresentarem alterações de brilho, cor, contraste e posição, dividindo-as de acordo com a técnica (periapical ou bitewing). As imagens serão padronizadas em tamanho (pixels) e cor (RGB).
Desfechos analisados
Nas panorâmicas e laudos:
- Identificação dos dentes presentes (decíduos e permanentes) em panorâmicas
de pacientes em fase de dentição decídua, mista e permanente;
- Anomalias dentárias (tumores malignos e benignos, dentes supranumerários,
agenesias, dentes impactados, anquilose, fusão, geminação)
- Lesões periapicais em dentes decíduos e permanentes
- Lesões de cárie (proximais).
Nas radiografias bitewings e laudos:
- Lesões de cárie (dentes decíduos e permanentes)Nas radiografias periapicais e laudos:
- Lesões periapicais em dentes decíduos e permanentes
Nas tomografias e laudos:
- Anomalias dentárias (tumores malignos e benignos, dentes supranumerários,
agenesias, dentes impactados, anquilose, fusão, geminação)
Teste de Referência (aprendizado de máquina)
Para cada desfecho, o teste de referência será baseado na informação
contida nos laudos radiológicos digitais (padrão-ouro) associado às respectivas
imagens utilizando processamento de linguagem natural. Será possível utilizar
ferramentas de magnificação e aprimoramento das imagens (contraste e brilho).

Indicadores, Metas e Resultados

Será calculado a reprodutibilidade interexaminador através do teste Kappa de Fleiss (FLEISS JL., 1971), que é uma extensão do pi de Scott (SCOTT, 1955) e avalia a reprodutibilidade de acordo com uma escala nominal entre mais de dois examinadores (FLEISS JL., 1971).
Diferentes modelos de desenvolvimento métrico serão utilizados, tais como AUC, sensibilidade, especificidade, valor preditivo positivo (VPP, também conhecido como precisão) e o valor preditivo negativo (VPN) (SOKOLOVA e LAPALME, 2009).
A AUC está relacionada com a habilidade de evitar uma falsa classificação. A sensibilidade é a capacidade de identificar rótulos positivos enquanto que a especificidade é a capacidade de identificar rótulos negativos. O VPP é responsável pelo acordo de classe dos rótulos de dados com os rótulos positivos fornecidos pelo classificador, já o VPN contabiliza o acordo de classe dos rótulos de dados com os rótulos negativos fornecidos pelo classificador (SOKOLOVA AND LAPALME, 2009).
O desenvolvimento métrico primário será AUC, que está relacionada com a habilidade de um teste (no caso desse estudo, um modelo) classificar de maneira correta (saudável/doente).
As métricas secundárias serão a sensibilidade e a especificidade, juntamente com os valores preditivos positivo e negativo (VPP e VPN) (EKERT, T. et.al., 2019).

Equipe do Projeto

NomeCH SemanalData inicialData final
ANDERSON PRIEBE FERRUGEM6
Alessandro Bof de Oliveira
FELIPE DIAS LOPES
GABRIEL LEITE BESSA
GUILHERME NUNES PEGLOW
MAURICIO BRAGA DE PAULA32
WILIANS DONIZETE DA SILVA JUNIOR

Página gerada em 28/05/2024 16:27:52 (consulta levou 0.139273s)