Seleção automática de fatias em volumes de imagens tomográficas : estudo de caso no apoio ao diagnóstico da Doença de Alzheimer

Abstract

Com o advento da Quarta Revolução Industrial, as tecnologias da Indústria 4.0 têm acelerado o processo de transformação digital dos sistemas nacionais de saúde, tanto públicos quanto complementares, incorporando a Inteligência Artificial, a Internet das Coisas, a Robótica e a Biotecnologia à prática clínica, terapêutica e de gestão de recursos em saúde. Com a pandemia de Covid-19, também se intensificou o uso de técnicas avançadas de diagnóstico por imagem. Apesar da sofisticação do diagnóstico por imagem por conta da possibilidade de gerar laudos rápidos e precisos, esses exames exigem um alto conhecimento especialista. Contudo, a dependência do conhecimento especialista humano pode acarretar em diagnósticos tardios e, por conseguinte, maus prognósticos. Esse problema é especialmente mais grave quando se consideram imagens volumétricas: estruturas associadas a determinadas doenças com bons prognósticos quando detectadas precocemente podem ser ignoradas até mesmo por especialistas com grande experiência, por razões diversas, incluindo aí a fadiga humana, dada a complexidade envolvida na análise humana de volumes. Devido ao potencial dos impactos à saúde pública e à economia de forma geral, a Doença de Alzheimer, DA, tornou-se um dos maiores desafios à ciência na última década. Contudo, grande parte dos estudos que propõem métodos de suporte ao diagnóstico da doença apresentam dificuldades para sua adoção na prática clínica. Este trabalho tem como objetivo geral construir uma metodologia para selecionar planos de visualização e cortes ou fatias em imagens biomédicas volumétricas, de forma que se otimize o diagnóstico por meio da transformação de um problema tridimensional em bidimensional. A seleção da fatia e dos planos de visualização é feita com o auxílio de um algoritmo evolucionário guiado por um classificador. Como estudo de caso, foi escolhido o problema do apoio ao diagnóstico da doença de Alzheimer. Utilizando volumes MRI da base ADNI-1, este estudo apresenta um modelo baseado em computação evolucionária e aprendizado de máquina capaz de identificar e utilizar o conjunto de fatias 2D mais adequado para maximizar cada uma das métrica relacionadas ao diagnóstico da doença de Alzheimer. Por meio de uma seleção ótima de fatias os melhores resultados para especificidade, sensibilidade e acurácia obtidos em cada classe foram respectivamente: normal (94,58%, 81,08%, 86.64%), déficit cognitivo leve (94,83%, 89,32%, 89,89%) e Alzheimer (92,99%, 92,06%, 90,61%) para mulheres, e normal (91,93%, 93,42%, 91.30%), déficit cognitivo leve (98,17%, 80,53%, 86,29%) e Alzheimer (95,86%, 90,91%, 94,31%) para homens. Assim, este trabalho apresenta um modelo para apoiar o diagnóstico de doença de Alzheimer e déficit cognitivo leve, apresentando bom desempenho de classificação, considerando também as informações de gênero para produzir melhorias significativas no diagnóstico da doença de Alzheimer.