A ecocardiografia – uma ultrassonografia do coração – é a modalidade de imagem mais usada para avaliar a função e doenças cardíacas. A técnica, no entanto, requer habilidades especializadas que muitas vezes são escassas. Uma opção alternativa poderia ser o uso de radiografia de tórax, um dos exames médicos mais comuns e amplamente disponíveis, empregado principalmente para diagnóstico e tratamento de doenças pulmonares. Mas, embora o coração seja visível nas radiografias de tórax, a relação entre as radiografias de tórax e a saúde cardíaca é pouco compreendida.

Com o objetivo de preencher essa lacuna, uma equipe de pesquisa liderada por Daiju Ueda da Universidade Metropolitana de Osaka desenvolveu um modelo de aprendizado profundo que usa inteligência artificial para detectar doenças valvulares e classificar a função cardíaca a partir de radiografias de tórax com precisão sem precedentes. Os pesquisadores publicam seus resultados em The Lancet Saúde Digital.

Os modelos de aprendizado profundo que são treinados e testados em um único conjunto de dados podem ser propensos a overfitting, em que o modelo final só funciona bem para imagens no conjunto de dados de treinamento. Para evitar isso, Ueda e colegas desenvolveram seu modelo usando dados de quatro instituições diferentes, com um total de 22,551 radiografias de tórax mais ecocardiogramas associados coletados de 16,946 pacientes.

Os pesquisadores usaram 17 radiografias de três instituições para treinar o modelo de aprendizado profundo, além de 293 radiografias dos mesmos locais como conjuntos de dados de teste interno. Para testes externos, eles empregaram 1947 radiografias de 3311 pacientes em uma instituição separada.

Depois de rotular as radiografias de tórax usando os relatórios de ecocardiografia como verdade, os pesquisadores treinaram seu modelo para aprender os recursos que conectam os dois conjuntos de dados. Eles examinaram seis tipos de valvopatias – regurgitação mitral, estenose aórtica, regurgitação aórtica, estenose mitral, regurgitação tricúspide e regurgitação pulmonar – classificando a gravidade de cada doença como nenhuma, leve, moderada ou grave. Eles também classificaram três medidas da função cardíaca: fração de ejeção do ventrículo esquerdo, velocidade de regurgitação tricúspide e dilatação da veia cava inferior.

Para avaliar o desempenho diagnóstico de seu modelo de aprendizado profundo, os pesquisadores calcularam a área sob a curva característica de operação do receptor (AUC) para nove classificadores primários – um corte de nenhum-leve versus moderado-grave para cada uma das seis doenças cardíacas valvulares, além de cortes de 40% para fração de ejeção do ventrículo esquerdo, 2.8 m/s para velocidade de regurgitação tricúspide e 21 mm para dilatação da veia cava interna – para os conjuntos de dados de teste interno e externo.

A equipe descobriu que o modelo poderia classificar com precisão as funções cardíacas e doenças cardíacas, informações normalmente obtidas a partir de ecocardiografia, usando informações das radiografias de tórax. As AUCs médias gerais para os classificadores primários foram 0.89, 0.90 e 0.92 para os conjuntos de dados de teste interno e 0.87 para o conjunto de dados de teste externo (valores mais próximos de 1 indicam melhor classificação).

Com foco no conjunto de dados de teste externo, o modelo pode categorizar com precisão os seis tipos de doença cardíaca valvular, com AUCs variando de 0.83 a 0.92. A AUC para classificar a fração de ejeção do ventrículo esquerdo foi de 0.92, enquanto a AUC para velocidade de regurgitação tricúspide e dilatação da veia cava interior foi de 0.85.

“Até onde sabemos, este estudo é o primeiro a criar e validar um modelo de classificação baseado em aprendizado profundo para funções cardíacas e doenças cardíacas valvares usando radiografias de tórax de várias instituições”, escrevem os pesquisadores.

Eles apontam que o modelo tem várias vantagens sobre a avaliação ecocardiográfica de doenças cardíacas. As radiografias de tórax são fáceis e rápidas de registrar e o modelo pode ser aplicado rapidamente com baixos requisitos computacionais. Após sua implementação inicial, o modelo pode ser usado sem nenhuma habilidade especializada e a qualquer momento. Além disso, deve ser possível usar radiografias de tórax existentes para fornecer informações sobre a função cardíaca quando necessário, sem a necessidade de exames adicionais.

Modelo de IA determina risco cardiovascular a partir de radiografia de tórax de rotina

“Levamos muito tempo para chegar a esses resultados, mas acredito que seja uma pesquisa significativa”, disse Ueda em comunicado à imprensa. “Além de melhorar a eficiência dos diagnósticos médicos, o sistema também pode ser utilizado em áreas onde não há especialistas, em emergências noturnas e para pacientes com dificuldade de fazer ecocardiografia.”

“No futuro, esperamos avaliar a aplicabilidade do nosso modelo no mundo real em vários ambientes clínicos”, disse a coautora Shannon Walston. Mundo da física. “É crucial entendermos como nosso modelo baseado em IA pode ser integrado perfeitamente aos fluxos de trabalho clínicos e como pode contribuir para melhorar o atendimento ao paciente.”

• Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
• PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
• PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
• PlatãoESG. Automotivo / EVs, Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
• BlockOffsets. Modernizando a Propriedade de Compensação Ambiental. Acesse aqui.
• Fonte: https://physicsworld.com/a/deep-learning-model-uses-chest-x-rays-to-detect-heart-disease/