Doctor Bone: treinamento de redes neurais para auxílio na identificação da idade óssea
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1382Palavras-chave:
Idade Óssea, Auxílio ao Diagnóstico, Inteligência artificialResumo
Objetivo: Explorar a aplicação de inteligência artificial (IA) na predição da idade óssea a partir de imagens de raios-X. Método: Utilizou-se a Metodologia Interdisciplinar para o Desenvolvimento de Tecnologias em Saúde (MIDTS) para desenvolver uma ferramenta de predição. O treinamento foi realizado com redes neurais convolucionais (CNNs) usando um conjunto de dados de 14.036 imagens de raios-X. Resultados: A ferramenta alcançou um coeficiente de determinação (R²) de 0,94807 e um Erro Médio Absoluto (MAE) de 6,97, destacando sua precisão e potencial de aplicação clínica. Conclusão: O projeto demonstrou grande potencial para aprimorar a predição da idade óssea, com possibilidades de evolução conforme a base de dados aumenta e a IA se torna mais sofisticada.
Referências
Burns DAR, SIlva LR, Júnior DC, Blank D, Vaz EDS, Borges WG. Tratado de pediatria. 4th ed. São Paulo: Manole Saúde; 2017.
Somkantha K, Theera-Umpon N, Auephanwiriyakul S, Williamson TH. Bone age assessment in young children using automatic carpal bone feature extraction and support vector regression. J Digit Imaging. 2011 Dec;24(6):1044-58. doi: 10.1007/s10278-011-9372-3. DOI: https://doi.org/10.1007/s10278-011-9372-3
Larson DB, Chen MC, Lungren MP, Halabi SS, Stence NV, Langlotz CP. Performance of a deep-learning neural network model in assessing skeletal maturity on pediatric hand radiographs. Radiology. 2018 Apr;287(1):313-22. doi: 10.1148/radiol.2017170236. DOI: https://doi.org/10.1148/radiol.2017170236
Rijn RR, Lequin MH, Thodberg HH. Bone age assessment: automated techniques coming of age? Acta Radiol. 2013 Nov;54(9):1024-9. doi: 10.1258/ar.2012.120443. DOI: https://doi.org/10.1258/ar.2012.120443
Savi FM, de Oliveira PT, Cestari TM, Granjeiro JM, Taga R. Histomorphometric evaluation of critical-sized bone defects using osteomeasure and aperio image analysis systems. Tissue Eng Part C Methods. 2019 Dec;25(12):732-741. doi: 10.1089/ten.tec.2019.0179. DOI: https://doi.org/10.1089/ten.tec.2019.0179
Lee BD, Lee SA, Kim H, Cho J, Kim MS, Ko HK, et al. Automated bone age assessment using artificial intelligence: the future of bone age assessment. Korean J Radiol. 2021 May;22(5):792-800. doi: 10.3348/kjr.2020.0941. DOI: https://doi.org/10.3348/kjr.2020.0941
Albanese A, Stanhope R, Fitzgerald F, Preece M. The use of a computerized method of bone age assessment in clinical practice. Horm Res. 1995;44(3):2-7. doi: 10.1159/000184665. DOI: https://doi.org/10.1159/000184665
Maratová K, Chaloupková P, Šnajderová M, Krejčí H, Černá J, Novotná D, et al. A comprehensive validation study of the latest version of Bonexpert on a large cohort of Caucasian children and adolescents. Front Endocrinol (Lausanne). 2023;14:1130580. doi: 10.3389/fendo.2023.1130580. DOI: https://doi.org/10.3389/fendo.2023.1130580
Ravi D, Wong C, Deligianni F, Berthelot M, Andreu-Perez J, Lo B, Yang GZ. Deep learning for health informatics. IEEE J Biomed Health Inform. 2017 Jan;21(1):4-21. DOI: https://doi.org/10.1109/JBHI.2016.2636665
Filho JEV, Brasil CCP, Carneiro MC, Junior GS. MIDTS: método interdisciplinar para o desenvolvimento de tecnologias em saúde. In: Jorge MSB, Vergara CAC, Sampaio HADC, Moreira TMM, editors. Tecnologias e-Health em Gestão em Saúde. Curitiba: Editora CRV; 2021. p. 49-66.
Nielsen J. Ten usability heuristics [Internet]. [place unknown: publisher unknown]; 1994 Apr 24 [updated 2024 Jan 30; cited 2024 May 29]. Available from: https://www.nngroup.com/articles/ten-usability-heuristics/.
Material Design [Internet]. [place unknown: publisher unknown]; [date unknown] [cited 2024 May 29]. Available from: https://m3.material.io/.
Keras [Internet]. Keras 3 API Documentation. [place unknown: publisher unknown]; 2024 [cited 2024 May 24]. Available from: https://keras.io/api/.
Halabi SS, Prevedello LM, Kalpathy-Cramer J, Mamonov AB, Bilbily A, Cicero M, et al. The RSNA Pediatric Bone Age Machine Learning Challenge. Radiology. 2019 Feb;290(2):498-503. DOI: https://doi.org/10.1148/radiol.2018180736
ImageNet [Internet]. [place unknown: publisher unknown]; [date unknown] [cited 2024 May 28]. Available from: https://www.image-net.org/.
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.
