Identificação de padrões covid-19 pós-agudos em tomografia usando inteligência artificial
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1331Palavras-chave:
Multidetectores para Tomografia Computorizada, Inteligência Artificial, Síndrome de Pós-covid-19Resumo
Objetivo: Desenvolver modelos de IA capazes de reconhecer padrões pulmonares pós-COVID em exames de tomografia computorizada. Método: Os radiologistas analisaram 87 exames de TC para estabelecer padrões tomográficos para treinar e testar modelos de aprendizagem profunda. O melhor modelo foi então selecionado para ler oito exames completos. Resultados: O modelo escolhido apresentou uma acurácia média de 92,21% na detecção de padrões pós-COVID.
Conclusão: Embora o tamanho da amostra fosse limitado, os testes com conjuntos de imagens e exames completos apresentaram resultados promissores. A amostra utilizada no estudo reflete o perfil epidemiológico encontrado na literatura.
Referências
Cau R, Faa G, Nardi V, Balestrieri A, Puig J, Suri JS, SanFilippo R, Saba L. Long-COVID diagnosis: from diagnostic to advanced AI-driven models. Eur J Radiol. 2022. 148:110164.
Luqmani Y.A., El Hashim A. The COVID-19 pandemic: a health crisis managed or a panic response with disastrous future consequences? Med Princ Pract.2022. 31:1-10.
British Thoracic Society (2020) British thoracic society guidance on respiratory follow up of patients with a clinico-radiological diagnosis of COVID-19 pneumonia. 2020.
Nalbandian A, Sehgal K, Gupta A et al. Post-acute COVID-19 syndrome. Nat Med. 2021. 27:601-615.
Caruso D, Guido G, Zerunian M et al. Post-acute sequelae of COVID-19 pneumonia: six-month chest CT follow-up. Radiology. 2021. 301:E396-E405.
Desai AD, Lavelle M, Boursiquot BC, Wan EY. Long-term complications of COVID-19. 2022, 322:C1-C11.
Lee KS, Wi YM. Residual lung lesions at 1-year CT after COVID-19. 2022. Radiology 302:720-721.
Alhasan M, Hasaneen M. Digital imaging, technologies and artificial intelligence applications during COVID-19 pandemic. Comput Med Imaging Graph. 2021. 91:101933.
Noce J, Chantong G, Jauregui G, Mogami R, Monteiro A, Figueiredo K, Vellasco M. Applied enhanced Q-NAS for COVID-19 detection in CT images. In: Mahmud CIM, Kaiser MS, Mammone N, Morabito FC (eds) Applied intelligence and informatics. Springer, Berlin, Germany 2023. p 419.
Leão PPS, Freire NS, Pinto RA, Maciel K, Pinto B, Giusti R, Santos EM, Detecção de Covid-19 em Imagens de Raio-x Utilizando Redes Convolucionais, J. Health Inform. 2020 Número Especial SBIS - Dezembro: 393-8
Simonyan, K. and Zisserman, A. Very deep convolutional networks for large-scale image recognition, NASA/ADS. 2014.
Sandler M, Howard A, Zhu M, Zhmoginov A, Chen LC. MobileNetV2: Inverted Residuals and Linear Bottlenecks, 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT, USA. 2018. pp. 4510-4520.
Friedman B, Nissenbaum H. Bias in computer systems. ACM Trans Inf Syst. 1996. 14:330-347.
Mehrabi N, Morstatter F, Saxena N, Lerman K, Galstyan A. A survey on bias and fairness in machine learning. ACM Comput Surv.2021. 54:1-35.
Chlap P, Min H, Vandenberg N, Dowling J, Holloway L, Haworth A. A review of medical image data augmentation techniques for deep learning applications. J Med Imaging Radiat Oncol. 2021. 65:545-563.
Goodfellow I, Yoshua B, Courville A. Deep learning. The Mit Press. 2016., Cambridge, US
Mogami R, Lopes AJ, Filho RCA, De Almeida FCS, Messeder A, Koifman ACB, Guimarães AB, Monteiro A. Chest computed tomography in COVID-19 pneumonia: a retrospective study of 155 patients at a university hospital in Rio de Janeiro, Brazil. Radiol Bras.2021. 54:1-8.
Mogami R, Filho R.C.A., Chantong C.G.C. et al. The importance of radiological patterns and small airway disease in long-term follow-up of postacute COVID-19: a preliminary study. Radiol Res Pract.2022. 2022:7919033.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
A submissão de um artigo ao Journal of Health Informatics é entendida como exclusiva e que não está sendo considerada para publicação em outra revista. A permissão dos autores para a publicação de seu artigo no J. Health Inform. implica na exclusiva autorização concedida aos editores para incluí-lo na revista. Ao submeter um artigo, ao autor será solicitada a permissão eletrônica de um Termo de Transferência de Direitos Autorais. Uma mensagem eletrônica será enviada ao autor correspondente confirmando o recibo do manuscrito e o aceite da Declaração de Direito Autoral.
