Publicado originalmente em Ciência UFPR por Jéssica Tokarski. Para acessar, clique aqui.
Pesquisadores do curso de Medicina da Universidade Federal do Paraná (UFPR), Campus Toledo, estão desenvolvendo um algoritmo capaz de identificar a probabilidade de existir um acidente vascular encefálico em tomografias de crânio. A ferramenta auxiliará o médico clínico na conclusão de um diagnóstico mais preciso de forma mais rápida.
Nos casos de derrame cerebral, a agilidade é extremamente valiosa, pois o tempo entre o surgimento dos sintomas e o tratamento da doença é um fator determinante para sequelas e para o prognóstico do paciente.
De acordo com a literatura, acidentes vasculares encefálicos — conhecidos também como acidentes vasculares cerebrais, ou AVC — são a terceira maior causa de morte no mundo. O distúrbio é provocado por uma alteração de irrigação sanguínea em uma porção do cérebro e sua evolução depende de uma série de fatores como tempo de falta de fornecimento sanguíneo, área acometida e comorbidades.
O diagnóstico é feito pela correlação entre os sinais clínicos do paciente e seu exame de tomografia computadorizada de crânio. Para interpretar o exame de imagem, o clínico deve ser capaz de delimitar a região afetada de outras regiões saudáveis.
A tecnologia elaborada pelos pesquisadores do Campus Toledo da UFPR funcionará a partir de uma rede neural criada em linguagem de programação e treinada para o reconhecimento de casos da doença em tomografias de crânio. Para isso, os especialistas estão ensinando essa inteligência artificial por meio de banco de imagens coletadas em uma clínica de radiologia.
“Serão apresentadas aproximadamente seis mil imagens à rede neural e, ao fim do treinamento, o modelo fornecerá dados sobre sua precisão, sensibilidade e acurácia”, esclarece Kleber Fernando Pereira, professor do curso de Medicina que atua na área da anatomia.
Segundo Pereira, o diagnóstico de acidente vascular encefálico por meio de imagens tomográficas pode ser desafiador para o médico devido à dificuldade de diferenciar as estruturas lesionadas de processos anatômicos normais.
“As redes neurais podem servir como auxílio para o diagnóstico, já que utilizam como base para seus cálculos dados extraídos de milhares de outras imagens médicas”.
IA será capaz de classificar e detectar padrões nas imagens
Por meio de uma rede neural convolucional, algoritmo de inteligência artificial que utiliza uma série de neurônios virtuais amplamente interconectados entre si, é possível treinar uma máquina a classificar e a detectar padrões em imagens de forma rápida e automática.
Os pesquisadores da UFPR estão utilizando o banco de dados de um centro de radiologia situado no município de Toledo, no Paraná, para realizar a classificação com auxílio de um médico radiologista.
Serão identificadas estruturas e anormalidades nos exames que, na sequência, serão rotuladas em computador em quatro possibilidades: Acidente Vascular Encefálico (AVE) antigo, AVE novo, não se aplica (traumas, artefatos, tumores, malformações) e dúvida. As dúvidas serão sanadas mensalmente por meio de videoconferência com um médico radiologista voluntário.
Todas as imagens estão acompanhadas de laudo médico oficial para a consulta. Ao final do treinamento, a rede neural emitirá gráficos e tabelas esclarecendo sua sensibilidade e acurácia. “Espera-se que a ferramenta retorne uma acurácia superior a 80% no diagnóstico de acidente vascular encefálico”, estima Pereira.
Diagnóstico rápido reduz sequelas e mortalidade
Rodrigo Azzolini, estudante Medicina e um dos integrantes do projeto, afirma que a tecnologia possivelmente aumentará a precisão do médico, que poderá contar com mais um recurso para ancorar seu diagnóstico, além de diminuir o tempo necessário para que ele chegue a uma conclusão assertiva.
“Isso consequentemente agiliza o manejo do paciente, sendo potencialmente benéfico, já que um menor intervalo de tempo melhora significativamente o prognóstico e reduz sequelas, impactando na mortalidade”.
A programação da rede neural deve ser encerrada em janeiro de 2022, em seguida, entre fevereiro e maio de 2022, será feito o treinamento com os dados coletados. A previsão de finalização do projeto é julho do ano que vem.