Tomografia mais aprendizagem profunda distingue COVID-19 de outras pneumonias

Um algoritmo de aprendizagem profunda melhora a capacidade da TC de distinguir entre COVID-19 e outras pneumonias, de acordo com um estudo publicado em 27 de fevereiro na Interdisciplinary Sciences: Computational Life Sciences. Os resultados podem tornar a TC uma ferramenta ainda mais eficaz em meio à pandemia COVID-19 e além, escreveu uma equipe liderada pelo Dr. Fudan Zheng, da Sun Yat-Sen University em Guangzhou, China.

"A detecção de TC [de COVID-19] está se tornando uma ferramenta importante na detecção de pacientes infectados por causa de sua rapidez e baixa taxa de falsos negativos ... [mas] o grande número de imagens de TC representa um grande fardo para os médicos lê-las", grupo escreveu. "[É] crítico desenvolver um sistema que possa não só diagnosticar COVID-19 quando ele está em surto intensivo, mas também distinguir COVID-19 dos exames de rotina quando o surto está sob controle. Portanto, é urgente desenvolver com auxílio de computador Sistemas de diagnóstico por tomografia computadorizada para auxiliar os médicos na identificação de casos suspeitos. "

A inteligência artificial com TC para COVID-19 tem sido normalmente usada para identificar pessoas infectadas ou para diferenciar pacientes com COVID-19 daqueles com pneumonia bacteriana. Mas há menos dados sobre o uso de IA e TC para distinguir a pneumonia por COVID-19 de outros tipos de infecção viral. O grupo de Zheng conduziu um estudo que incluiu 659 pacientes. O grupo desenvolveu um algoritmo de aprendizado profundo que combinou o backbone ResNet50 com blocos de compressão e excitação (SE) e investigou se o algoritmo poderia distinguir entre os seguintes quatro tipos de exames de TC:

• COVID-19 (262)
• Pneumonia bacteriana (100)
• Pneumonia viral (219)
• Controles saudáveis ​​(78)

A equipe de Zheng mediu a área do modelo sob a curva de operação do receptor (AUC), sua pontuação F1 (que mede a precisão de um modelo), sua precisão e sua taxa de recuperação. Os valores de pontuação F1, precisão e taxa de recuperação foram calculados por fórmulas matemáticas, com valores mais altos indicando melhor desempenho; em particular, um valor alto de recordação foi importante "porque uma recordação mais alta significa que menos pacientes COVID-19 serão perdidos, o que pode prevenir infecções futuras por diagnósticos perdidos", escreveu o grupo.

Os pesquisadores descobriram que o modelo de aprendizado profundo teve uma AUC de precisão geral de 0,94 para distinguir entre os quatro tipos de exames de TC e que teve um desempenho eficaz também entre as outras métricas.

O modelo se mostra promissor para ajudar os médicos a diagnosticar melhor os pacientes que apresentam sintomas de pneumonia, de acordo com os autores. “Este modelo tem o potencial de se tornar uma ferramenta usada diariamente pelos médicos para classificar pacientes com pneumonia, especialmente quando o COVID-19 pode se tornar um vírus existente de longo prazo”, concluíram.

Fonte: https://www.auntminnie.com/index.aspx?sec=sup&sub=aic&pag=dis&ItemID=131711