Algoritmo de Aprendizagem Automática na Classificação de Radiografia ao Tórax em Incidência frontal como “normais” ou “patológicos”
Resumo
A crescente procura de exames radiológicos pressiona os serviços de imagiologia que enfrentam desafios devido à escassez de radiologistas, exigindo uma interpretação mais rápida com um maior potencial de erro. Em paralelo, as técnicas de radiomics e inteligência artificial (IA) têm-se verificado ferramentas importantes no campo da radiologia, revolucionando a própria prática clínica. Através destas técnicas, este artigo desenvolveu um classificador de deteção de patologia para radiografias do tórax, da base-de dados pública ChestXray14, com o objetivo de realçar o papel crucial que a compreensão das técnicas de radiomics e IA na profissão do técnico de radiologista.
Foram analisadas 1662 radiografias (50% com patologia) ao tórax, tendo sido aplicadas duas estratégias para seleção de 5 características radiomics: (i) análise de componentes principais (PCA) e (ii) “information gain ratio” (Rank), utilizando o software Orange. Com o método PCA, com redução para 5 componentes e 73% de variância explicada, o melhor classificador foi o Neural Network, com 0,987 de Area Under the Curve (AUC). No Information Gain Ratio também o Neural Network foi o melhor classificador com 0,972 AUC, na qual se verificou uma sensibilidade de 97,8%, especificidade de 92,9% e precisão de 93%.
Ao utilizar técnicas de IA e tirar partido de um grande conjunto de dados, o nosso estudo demonstra a viabilidade da utilização de classificadores automáticos para ajudar na interpretação de radiografias ao tórax, indicando o seu potencial como uma ferramenta valiosa na triagem, priorização de exames, e otimização no fluxo de trabalho nos departamentos de radiologia.
Direitos de Autor (c) 2023 ROENTGEN-Revista Científica das Técnicas Radiológicas
This work is licensed under a Creative Commons Attribution 4.0 International License.