Inteligência artificial: Algoritmos melhoram análise de imagens médicas

Este é o resultado do AutoPET, uma competição internacional em análise de imagens médicas. As sete melhores equipes de autoPET relatam como algoritmos podem detetar lesões tumorais em tomografia por emissão de pósitrons (PET) e tomografia computadorizada (TC).

As técnicas de imagiologia desempenham um papel fundamental no diagnóstico do cancro. Determinar com precisão a localização, o tamanho e o tipo de tumores é essencial para escolher a terapia certa. As técnicas de imagem mais importantes incluem a tomografia por emissão de pósitrons (PET) e a tomografia computadorizada (TC). O PET utiliza radionuclídeos para visualizar os processos metabólicos no organismo. A taxa metabólica dos tumores malignos é consideravelmente maior do que a dos tecidos benignos. A glicose marcada radioativamente, geralmente flúor-18-desoxiglicose (FDG), é usada para este fim. Na TC, o corpo é escaneado camada por camada em um tubo de raios-X para visualizar a anatomia e localizar tumores.

A automação pode economizar tempo e melhorar a avaliação
Os pacientes oncológicos às vezes têm centenas de lesões, ou seja, alterações patológicas causadas pelo crescimento de tumores. Para obter um quadro uniforme, é necessário capturar todas as lesões. Os médicos determinam o tamanho das lesões tumorais marcando manualmente imagens de fatias 2D - uma tarefa extremamente demorada. "A avaliação automatizada usando um algoritmo economizaria uma enorme quantidade de tempo e melhoraria os resultados", explica o professor Rainer Stiefelhagen, chefe do Laboratório de Visão Computacional para Interação Humano-Computador (cv:hci) do KIT.

Rainer Stiefelhagen e Zdravko Marinov, doutorandos da cv:hci, participaram da competição internacional de autoPET em 2022 e ficaram em quinto lugar entre 27 equipes envolvendo 359 participantes de todo o mundo. Os pesquisadores de Karlsruhe formaram uma equipe com o professor Jens Kleesiek e Lars Heiliger do IKIM - Instituto de Inteligência Artificial em Medicina, com sede em Essen. Organizado pelo Hospital Universitário de Tübingen e pelo Hospital LMU de Munique, o autoPET combinou imagem e aprendizado de máquina.

A tarefa consistia em segmentar automaticamente lesões tumorais metabolicamente ativas visualizadas em uma PET/CT de corpo inteiro. Para o treinamento do algoritmo, as equipes participantes tiveram acesso a um grande conjunto de dados PET/CT anotados. Todos os algoritmos submetidos para a fase final do concurso são baseados em métodos de aprendizagem profunda. Esta é uma variante do aprendizado de máquina que usa redes neurais artificiais multicamadas para reconhecer padrões complexos e correlações em grandes quantidades de dados.

As sete melhores equipes da competição autoPET já relataram as possibilidades de análise automatizada de dados de imagens médicas na revista Nature Machine Intelligence.

Conjunto de algoritmos se destaca na deteção de lesões tumorais

Como os pesquisadores explicam em sua publicação, um conjunto dos algoritmos mais bem avaliados provou ser superior aos algoritmos individuais. O conjunto de algoritmos é capaz de detetar lesões tumorais de forma eficiente e precisa. "Embora o desempenho dos algoritmos na avaliação de dados de imagem dependa em parte da quantidade e qualidade dos dados, o design do algoritmo é outro fator crucial, por exemplo, no que diz respeito às decisões tomadas no pós-processamento da segmentação prevista", explica Stiefelhagen. É necessária mais investigação para melhorar os algoritmos e torná-los mais resistentes a influências externas para que possam ser utilizados na prática clínica diária. O objetivo é automatizar totalmente a análise de dados de imagens médicas PET e TC em um futuro próximo.

Fonte: ScienceDaily /.Karlsruher Institut für Technologie (KIT)