Aprendizado de máquina aplicado ao diagnóstico por imagem para aplicação em Prick Test

• Autor(a) principal: Perger, Edson Luiz Pontes [UNESP]
• Data de Publicação: 2024
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Repositório Institucional da UNESP
• Texto Completo: https://hdl.handle.net/11449/256764
• topic: Aprendizado profundo; Inteligência artificial; Hipersensibilidade mediada por IgE; Diagnóstico por imageamento; Testes cutâneos

O Teste Cutâneo de Puntura (TCP) é utilizado para diagnosticar a sensibilização a antígenos por meio de uma resposta mediada pela Imunoglobulina E (IgE). Para tornar esse diagnóstico menos dependente da interpretação humana, o presente estudo propôs um método alternativo para inferir sobre a reação alérgica utilizando aprendizado profundo, propõem ainda o desenvolvimento de um aplicativo mobile e web para agilizar o processo do especialista, além de poder ser acessado em qualquer lugar e aplica a metodologia em um conjunto de imagens de microscópio para verificar a reprodutibilidade do método proposto em outros casos de análise e/ou diagnóstico por imagem. Um conjunto de dados com 5844 imagens de TCP foi criado e utilizado para treinar uma rede neural totalmente convolucional e inferir um modelo de segmentação da pápula (modelo de ML). O modelo inferido foi comparado a dois outros métodos: 1 - aproximação da área da pápula como um círculo com o diâmetro médio medido por um médico; e 2 - segmentação de imagem assistida (AIS), considerada o método mais preciso. A análise de Bland-Altman mostrou que a diferença entre os métodos não está correlacionada com a magnitude da área e que as estimativas produzidas por diferentes métodos podem ser relacionadas pela adição ou subtração do respectivo valor de viés. O modelo de machine learning (ML) apresentou uma precisão de segmentação de 85,82% e uma precisão de detecção de 93,55%, demonstrando uma forte correlação com o método AIS. O protocolo desenvolvido possui potencial para automatizar a interpretação da reação do TCP e ser utilizado na prática clínica no futuro, especialmente com o uso do aplicativo desenvolvido, que apresentou um desempenho aceitável.