Inteligência artificial na classificação CO-RADS do envolvimento pulmonar da Covid-19

• Autor(a) principal: Marques, Ana Rita Cunha
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10773/40779
• topic: Tomografia computorizada; Covid-19; Achados imagiológicos; Classificação CO-RADS; Inteligência artificial; CNN; Deep learning; Transfer learning; CNN; ResNet 18 3D

O surto de COVID-19, declarado como emergência de saúde pública de interesse internacional apareceu em dezembro de 2019. O diagnóstico rápido e precoce, bem como a prevenção para controlo da doença foi um objetivo mundial. A TC torácica é uma ferramenta com valor demonstrado na deteção de alterações pulmonares da nova pneumonia por coronavírus. Por se tratar de um processo crucial para desenvolver uma estratégia terapêutica, cada vez mais estudos se têm debruçado sobre a importância da imagem na estratificação da gravidade da doença. Para este projeto de investigação foram utilizados exames de TC torácica normais e exames com suspeita de infeção por COVID-19 no sentido de desenvolver uma ferramenta rápida, precisa e automática de classificação CO-RADS, baseada no envolvimento pulmonar da COVID-19, sustentada por mecanismos de Inteligência Artificial. É notório o aumento dos estudos de investigação de análise automática ou semi-automática de imagens médicas para auxílio da tomada de decisões no ramo da medicina. Esta possibilidade, poderá ser uma mais-valia para os radiologistas que são responsáveis pela classificação CO-RADS no final de cada relatório médico. Nesse sentido, procedemos ao longo deste projeto de investigação, à integração de características imagiológicas presentes nas imagens, em modelos de aprendizagem, para a classificação CO-RADS de TCs Torácicas de pacientes com suspeita de COVID-19. O processo teve início numa recolha exaustiva e significativa de casos para criar uma base de dados satisfatória garantindo a qualidade dos dados. A amostra deste estudo contemplou 334 pacientes que realizaram TC Torácica no Centro Hospitalar Universitário de São João do Porto. Foram utilizados 975 volumes de imagens que foram importados para o modelo ResNet 18 3D, que foi devidamente adaptado para uma classificação multi-classe. Obtivemos na fase de treino e validação da rede, uma acurácia de 93% e uma sensibilidade média de 92,8% na classificação automática em 6 classes e uma acurácia média de 94% e sensibilidade de 93,6% na classificação automática de três classes. Posteriormente houve a curiosidade de utilizar a nossa rede com volumes de diferentes espessuras e constatou-se que existe sensibilidade ao protocolo utilizado. Face a estes resultados, a ferramenta criada apresenta consistência para indiciar um potencial de generalização credível.