A pneumonia é uma infecção pulmonar potencialmente fatal que progride rapidamente. Pacientes com sintomas de pneumonia – como tosse seca, dificuldades respiratórias e febre alta – geralmente recebem um exame estetoscópico dos pulmões, seguido de uma radiografia de tórax para confirmar o diagnóstico. A distinção entre pneumonia bacteriana e viral, no entanto, permanece um desafio, pois ambas têm apresentação clínica semelhante.
A modelagem matemática e a inteligência artificial podem ajudar a melhorar a precisão do diagnóstico de doenças a partir de imagens radiográficas. O aprendizado profundo tornou-se cada vez mais popular para a classificação de imagens médicas, e vários estudos exploraram o uso de modelos de rede neural convolucional (CNN) para identificar automaticamente a pneumonia a partir de imagens de radiografia de tórax. É fundamental, no entanto, criar modelos eficientes que possam analisar um grande número de imagens médicas sem falsos negativos.
Agora, KM Abubeker e S Baskar, da Karpagam Academy of Higher Education, na Índia, criaram uma nova estrutura de aprendizado de máquina para classificação de pneumonia de imagens de raios X de tórax em uma unidade de processamento gráfico (GPU). Eles descrevem sua estratégia em Machine Learning: Science and Technology.
O desempenho de um classificador de aprendizado profundo depende tanto do modelo de rede neural quanto da qualidade dos dados usados para treinar a rede. Para imagens médicas, a falta de um conjunto de dados grande o suficiente é a principal causa do desempenho inferior. Para resolver esse déficit, os pesquisadores usaram o aumento de dados, no qual novos dados de treinamento são sintetizados a partir de dados existentes (por exemplo, por meio de rotações, deslocamentos e cortes de imagens) para tornar o conjunto de dados mais abrangente e diversificado.
Outro método empregado para resolver a falta de dados de treinamento apropriados é o aprendizado por transferência – melhorando a capacidade de um modelo de aprender uma nova tarefa usando o conhecimento existente obtido durante a execução de uma tarefa relacionada. Na primeira fase de seu estudo, Abubeker e Baskar usaram o aprendizado de transferência para treinar nove modelos neurais CNN de última geração para avaliar se uma radiografia de tórax retrata ou não pneumonia.
Para os experimentos, eles usaram imagens de radiografia de tórax de conjuntos de dados públicos RSNA Kaggle, incluindo imagens para treinamento (1341 categorizadas como normais, 1678 como pneumonia bacteriana e 2197 como pneumonia viral), testes (234 normais, 184 pneumonia bacteriana, 206 pneumonia viral ) e validação (76 normais, 48 ??pneumonia bacteriana, 56 pneumonia viral). A aplicação de aumento geométrico ao conjunto de dados o expandiu para um total de 2.571 imagens normais, 2.019 bacterianas e 2.625 de pneumonia viral.
Com base em medidas de desempenho, incluindo precisão, recuperação e área sob a curva ROC (AUROC, uma métrica que resume o desempenho em vários limites), os pesquisadores escolheram os três modelos CNN de melhor desempenho – DenseNet-160, ResNet-121 e VGGNet-16 – para retreinamento usando uma técnica de conjunto.
Em vez de depender de um único modelo de aprendizado de máquina, os modelos de conjunto agrupam as conclusões de vários modelos para aumentar as métricas de desempenho e minimizar os erros. Os pesquisadores desenvolveram uma estratégia de conjunto baseada em aprendizado de transferência chamada B2-Net e a usaram com as três CNNs selecionadas para criar um modelo final. Eles implementaram o modelo B2-Net final em um computador NVIDIA Jetson Nano GPU.
Eles observam que, durante o treinamento, alguns modelos tiveram melhor desempenho na identificação de imagens normais de raios-X, enquanto outros tiveram melhor desempenho na identificação de amostras de pneumonia viral e bacteriana. A estratégia de conjunto usa uma técnica de votação ponderada para fornecer a cada classificador um grau específico de poder com base em critérios predefinidos.
Os modelos retreinados demonstraram melhorias significativas na precisão do diagnóstico em relação aos modelos de linha de base. Testar os modelos em um conjunto de dados balanceado revelou que DenseNet-160, ResNet-121 e VGGNet-16 alcançaram valores AUROC de 0,9801, 0,9822 e 0,9955, respectivamente. A abordagem de conjunto B2-Net proposta, no entanto, superou todas as três, com um AUROC de 0,9977.
Os pesquisadores avaliaram e validaram o B2-Net e os outros três modelos usando um subconjunto de cerca de 600 imagens de radiografia de tórax do conjunto de dados agrupados. O DenseNet-160 identificou incorretamente três das imagens de teste de pneumonia, enquanto o VGGNet-16 e o ResNet-121 diagnosticaram incorretamente uma imagem de raio-X cada. No geral, a abordagem B2-Net proposta superou todos os outros modelos, distinguindo entre casos normais, pneumonia bacteriana e pneumonia viral em imagens de radiografia de tórax com 97,69% de precisão e uma taxa de reconvocação (a proporção de verdadeiros positivos entre o número total de positivos) de 100%.
Abubeker e Baskar explicam que, embora a taxa de falsos negativos seja o critério mais crítico para um classificador de imagens médicas, o modelo B2-Net proposto oferece a melhor alternativa para aplicações clínicas em tempo real. “Essa abordagem, particularmente durante os atuais surtos mundiais de Covid-19, pode ajudar os radiologistas a diagnosticar pneumonia de maneira rápida e confiável, permitindo o tratamento precoce”, escrevem eles.
Em seguida, eles planejam expandir seu modelo para classificar mais doenças pulmonares, incluindo variantes de tuberculose e Covid-19.
Quer saber mais?
Fonte: https://physicsworld.com/a/machine-learning-framework-classifies-pneumonia-on-chest-x-rays/
