Criação de um banco de dados brasileiro de retinografia com objetivo de reduzir vieses em aplicações de inteligência artificial

• Autor(a) principal: Nakayama, Luis Filipe [UNIFESP]
• Data de Publicação: 2024
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UNIFESP
• Texto Completo: https://hdl.handle.net/11600/71152
• topic: Inteligência Artificial; Retina; Bancos de dados; Vieses

Objetivo: Este projeto teve como objetivo compreender o panorama da inteligência artificial (IA) com foco em suas aplicações na área da saúde, especialmente em oftalmologia e retina. Os objetivos incluíram identificar oportunidades e desafios para o desenvolvimento de sistemas de IA na saúde, com ênfase em abordar vieses e melhorar a representatividade de bancos de dados e conduzir experimentos para validar e estabelecer resultados basais em classificar retinopatia diabética e determinar o sexo dos pacientes através da análise de retinografias. Métodos: A criação do BRSET envolveu a compilação de um banco de dados com 16.255 imagens de 8.524 pacientes brasileiros, com multiplas classificações. Foram realizados experimentos para validar a utilidade do BRSET, incluindo a detecção de retinopatia diabética, identificação de gênero dos pacientes e manipulação de imagens para aprimoramento da privacidade. Utilizamos a rede neural ConvNext V2, ResNet200D e Inception-V3, com mapas de saliência gerados para identificar áreas de foco para classificação de retinopatia diabética e gênero do paciente. Resultados: O BRSET reuniu um conjunto de 16.255 imagens de 8.524 pacientes brasileiros, com várias classificações. Ele é composto por 61,8% de pacientes do sexo feminino, com idade média de 57,6 (±18,26) anos e retinopatia diabética em 15,8% das imagens. Na classificação de retinopatia, o ConvNext V2 destacou-se com uma AUC de 97% e macro F1 de 89%, enquanto a conversão de imagens em vetores resultou em AUCs entre 75-77% e F1s entre 62-67%. Na identificação do sexo, o ResNet-200D alcançou acurácias de até 82.6%, e o ConvNext V2 obteve AUC de 91% e macro F1 de 83%, com resultados inferiores ao converter imagens em vetores (AUCs de 66-68% e F1s de 65-68%). As técnicas de manipulação de imagem demonstraram a viabilidade de aprimorar a privacidade mantendo a utilidade diagnóstica na classificação de retinopatia diabética. Os mapas de saliência forneceram insights sobre áreas de foco localizadas para classificação de doenças e áreas globais para previsão de gênero. O algoritmo desenvolvido com pacientes brasileiros apresentou resultado de AUC de 97%, sensibilidade de 96,02% e especificidade de 79,93% para detectar casos referenciáveis de retinopatia diabética. Conclusões: Os experimentos apresentaram performance comparável à literatura para classificar casos de retinopatia diabética, identificar o sexo dos pacientes e demonstraram que a manipulação de pixels é uma forma viável de aumentar privacidade de imagens e manter a utilidade em classificação de retinopatia diabética e que a implantação de sistemas automatizados representa uma alternativa para melhorar o fluxo do rastreio da RD no Brasil. O projeto estabeleceu resultados basais, orientar a comunidade científica a como utilizar o banco de dados e validar o BRSET como um banco de dados útil para projetos em ciência de dados e IA. O BRSET foi proposto como um projeto que possibilita desenvolver projetos de ciência de dados, porém também atividades de ensino, com o objetivo de aumentar a representatividade de dados do Brasil e reduzir vieses em sistemas de inteligência artificial.