Escolar Documentos
Profissional Documentos
Cultura Documentos
DE APOIO
INTELIGÊNCIA ARTIFICIAL
EM SAÚDE: APLICAÇÕES E
RESULTADOS
Bruno Hochhegger – Aula 03
MBA em
Gestão, Inovação e Serviços em Saúde
Ementa da disciplina
O que é Inteligência Artificial e como funciona. O uso da IA para detectar doenças
precocemente e acelerar o tratamento. Melhoria no processo de triagem, identificação do grau de
risco e reorganização da fila dos pacientes. Aumento da precisão nos diagnósticos. Possibilidade
de agilizar o fluxo de trabalho e auxiliar na tomada de decisão. Otimização do armazenamento de
dados dos pacientes. Responsabilidade pelos erros e omissões.
Professores
LUÍS LAMB BRUNO HOCHHEGGER
Professor convidado Professor PUCRS
Graduado e mestre em Ciência da Computação Formado em Medicina pela UFSM (2006) e com
pela Universidade Federal do Rio Grande do Sul residência médica em radiologia pela Irmandade da
Santa Casa de Misericórdia de Porto Alegre (2009).
(UFRGS). Também, é PhD in Ciência da Computação
Pós-doutorado em Radiologia pela UFRJ. Doutor em
pela University of London e pós-doutor pelo Group of
Ciências Pneumológicas pela UFRGS, e Mestre em
Logic, Language and Computation, do King’s College
Medicina (radiologia) pela UFRJ. Atualmente é
London. Concluiu o MIT Executive Program in Professor Adjunto de Diagnóstico por Imagem da
Strategy and Innovation e o MIT Executive Program PUCRS e Coordenador Médico do Centro de Imagem
in Management and Leadership, ambos no do HSL/PUCRS e do Centro de Imagem Molecular do
Massachusetts Institute of Technology. Foi INSCER-PUCRS.
pesquisador e professor convidado em diversos
períodos no Imperial College London, King’s College
London, City University London e no ‘Abductive
Systems Group’ da University of British Columbia, no
Canadá. Além disso, foi membro do ‘Editorial Board’
do Journal of Algorithms, do Comitê Assessor de
Ciência da Computação e do Comitê de Avaliação
Trienal de Ciência da Computação da CAPES.
Atualmente, é professor titular do Departamento de
Informática Teórica e Pró-Reitor de Pesquisa da
UFRGS.
Encontros e resumo da disciplina
AULA 1 AULA 2 AULA 3
Como a ciência vem Tecnologias assistivas, a O valor dos dados e como criar
transformando o mundo e como importância da gestão, negócios em radiologia vinculados a
chegamos até a Inteligência governança e segurança de Inteligência Artificial.
Artificial. dados .
Biomarcadores, biobancos,
O que são o aprendizado de Integrando a Inteligência Artificial “Enterprise Imaging” e como a IA
máquina, aprendizado profundo e ao mercado de trabalho e os atual em diversas especialidades
a singularidade? principais riscos e barreiras dessa médicas.
tecnologia.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Introdução
Intervencionista multiplanar;
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Introdução
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Introdução
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Análise de Imagens
Médicas
Extração de informações quantitativas relevantes das
imagens.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Análise de Imagens
Médicas
A análise de imagens médicas geralmente diz respeito
à quantificação de características geométricas
específicas dos objetos de interesse (posição, extensão,
tamanho, volume, forma, simetria etc.); alterações
anatômicas ao longo do tempo (movimento de órgãos,
deformação tecidual, crescimento, evolução da lesão,
atrofia, envelhecimento); detecção e caracterização de
variações morfológicas entre indivíduos
(desenvolvimento normal versus anormal,
variabilidade relacionada ao genótipo, patologia).
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Análise de Imagens
Médicas
Quantificação de contraste local ou regional ou
diferenças de contraste é de interesse em muitas
aplicações, em particular em imagens funcionais, como
imagens de difusão e perfusão por ressonância
magnética e PET .
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Análise de Imagens
Médicas
Segmentação de Imagem:
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Análise de Imagens
Médicas
Pré-requisito para quantificação das propriedades
geométricas (volume e forma);
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Análise de Imagens
Médicas
Registro de Imagem:
Relação espacial entre imagens diferentes adquiridas em
diferentes momentos (ex: antes e após o tto)- mesma
modalidade;
Diferentes modalidades: imagens de TC, ressonância
magnética, PET cerebrais.
Diferentes sujeitos: doentes X saudáveis.
Necessário para compensar diferenças desconhecidas
(deformações, variações anatômicas).
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Análise de Imagens
Médicas
Visualização de Imagem:
Devem ser apresentadas adequadamente para que todos os
dados relevantes sejam maximizados para uma aplicação
específica.
Imagens em 3D visualização multiplanar 2D não é
adequada (preferir imagens em 3D para avaliar relações
estruturais).
Para esse fim, a renderização de superfície ou a redução de
volume podem ser aplicadas.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Análise de Imagens
Médicas
A renderização de volume, renderiza os voxels da imagem
diretamente atribuindo a cada voxel uma cor e opacidade
(intensidade).
Em aplicações clínicas (cirurgia baseada em imagem ou
navegação intra-operatória) são necessárias ferramentas adicionais
a ser fornecido para manipular os objetos na cena 3D (cortar),
adicionar objetos virtuais à cena (implantes) ou fundir a realidade
virtual com imagens do mundo real (imagens intra-operatórias) .
A segmentação, o registro e a visualização de imagens não devem
ser vistos como subproblemas separados, geralmente estão
interligados e a solução de um problema especifico de analise de
imagens só pode ser resolvido considerando o conjunto.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Desafios
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Desafios
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Desafios
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Desafios
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Desafios
Complexidade da validação
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Computação de Imagens
Médicas
Estratégias computacionais para análise das imagens que possam
trabalhar com a complexidade dos dados de imagens e permitir a
análise automatizada com precisão e robustez suficientes.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Computação de Imagens
Médicas
Modelos simplistas baseados em suposições genéricas e
heurísticas sobre a aparência dos objetos nas imagens não
são adequadas (não conseguem capturar a complexidade do
problema).
Modelos estatísticos específicos da aplicação: permite
diminuir o número de parâmetros relevantes do modelo,
explorando correlações nos dados.
Avanços recentes no aprendizado supervisionado de
modelos: baseado em redes neurais, mostraram grandes
promessas para muitos problemas na visão computacional.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Computação de Imagens
Médicas
As redes neurais definem classes de funções altamente
complexas e geralmente são necessárias grandes
quantidades de dados para convergir para uma solução
estável com boa capacidade de generalização.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Análise de imagem
baseada em modelo
Utiliza um modelo da aparência da imagem dos
objetos de interesse nas imagens.
Representa um conhecimento prévio sobre as
propriedades geométricas, fotométricas e contextuais
dos objetos de interesse nas imagens.
Deve ser suficientemente específico para lidar com a
ambiguidade e flexível para acomodar as variabilidades
normais da forma biológica, as alterações patológicas
ou deformações não rígidas.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Estratégias
Computacionais
Estratégias computacionais baseadas em modelo para
computação de imagens médicas podem ser
amplamente classificadas como ajuste de forma flexível
ou classificação de pixels.
Ajuste de forma flexível:
Modelo paramétrico mais ou menos global da
aparência da imagem do objeto, incluindo
propriedades fotométricas, geométricas e contextuais,
que são ajustadas aos dados reais da imagem.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Estratégias
Computacionais
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Estratégias
Computacionais
Exemplo de um modelo estatístico de forma do pulmão esquerdo
em uma radiografia de tórax 2D.
O modelo é construído a partir de um conjunto de formas de
exemplo que foram delineadas manualmente em imagens de
diferentes sujeitos.
Todas as formas são representadas pelo mesmo número de pontos
de referência correspondentes.
Esse modelo de forma pode ser usado para segmentação
automatizada do pulmão em novas imagens, aumentando-o com
um modelo fotométrico dos padrões de intensidade local em
torno de cada ponto de referência.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Estratégias
Computacionais
Classificação de pixels:
Visa atribuir a sua probabilidade a cada voxel na imagem
individualmente (com base na intensidade local).
Pode ser supervisionada ou não supervisionada.
A classificação de pixels com base na intensidade: pode ser
estendida para uma classificação mais geral com base em
recursos de pixels individuais (por exemplo, para
segmentação) ou imagens inteiras (por exemplo, para
estadiamento da doença).
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Estratégias
Computacionais
Exemplo de uma CNN (Rede Neural Convolucional)
treinada para delinear órgãos em risco em uma tomografia
computadorizada de cabeça e pescoço, usada no
planejamento do tratamento em radioterapia.
A rede neural prediz em um pequeno fragmento ao redor de
cada voxel com base nas informações de intensidade local
em diferentes escalas.
É treinada comparando sua previsão (amarela) com a
verdade do solo manual (vermelha) usando a entropia
cruzada como função de perda.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Estratégias
Computacionais
Gera delimitações de múltiplos órgãos
simultaneamente: glândulas parótidas, cavidade oral,
mandíbula, tronco cerebral (esquerda), laringe glótica,
esôfago, medula espinhal (direita)
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Questões Fundamentais
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Questões Fundamentais
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Questões Fundamentais
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Questões Fundamentais
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Conclusão
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Conclusão
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
ABORDAGEM PADRONIZADA PARA PREPARAR DADOS
DE IMAGEM PARA TAREFAS DE APRENDIZAGEM
AUTOMATICA EM RADIOLOGIA
Data, Data Everywhere?
O paradigma tradicional da pesquisa médica baseada em hipóteses depende fortemente de
estudos clínicos que incluem coortes de algumas centenas ou milhares de pacientes.
Quando se trata de redes e sistemas neurais que devem funcionar com precisão em vários
cenários clínicos possíveis, incluindo condições raras, é difícil calcular um número
estatisticamente adequado para confiar.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Data, Data Everywhere?
O termo "big data" tem sido usado desde a década de 1990 para descrever volumes de dados
digitais superiores aos exigidos para a pesquisa científica tradicional.
Globalmente, cerca de 2,5 trilhões de bytes de dados digitais são produzidos todos os dias, 90%
dos quais são não estruturados.
Somente na radiologia, exobytes de dados são produzidos a cada ano, com uma velocidade de
produção cada vez maior.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Data, Data Everywhere?
Foi demonstrado que o desempenho algorítmico em tarefas de visão computacional aumenta
logaritmicamente em função do volume de dados de treinamento.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Not All Data Is Created Equal
Apesar dos grandes avanços na introdução do PACS digital globalmente nas últimas décadas e
da existência e aceitação de padrões DICOM internacionais para o armazenamento e
transferência de dados de imagens médicas, ainda existem barreiras significativas para o
compartilhamento de big data em grande escala.
Nem todos os fornecedores clínicos construíram ou adquiriram uma infraestrutura que permite a
verdadeira interoperabilidade com outros sistemas.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Not All Data Is Created Equal
Essa incompatibilidade na marcação de imagens simples afeta a qualidade geral dos dados,
especialmente quando os pesquisadores estão tentando treinar e validar os dados de vários sites e
fornecedores.
Descobriram que era impossível categorizar automaticamente as imagens médicas com base
apenas em suas metatags DICOM, pois cerca de 15% de todos os estudos foram rotulados
incorretamente devido a fatores humanos.
Entender esse tipo de discrepância subjacente nos dados é vital para garantir que pesquisadores e
locais de intercâmbio clínico possam planejar projetos de aprendizagem automática.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
The MIDaR Scale
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
MIDaR Level D
São dados que representam apenas o propósito inicial pretendido de atuar como um registro de
atividade clínica, sem nenhuma consideração adicional para pesquisa de qualquer tipo.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
MIDaR Level C
Os dados de nível C representam dados "selvagens" que foram tornados anônimos e
disponibilizados por meio de aprovação ética, extração de dados e controle de acesso.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
MIDaR Level B
A quantidade e a qualidade dos conjuntos de dados relevantes são totalmente contabilizados e
erros em grande escala na estrutura e formato dos dados foram resolvidos. Os dados específicos
da tarefa são separados dos dados indesejados ou de baixa qualidade.
1) Seleção de Dados.
2) Controle de qualidade.
3) Visualização de Dados.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
MIDaR Level A
Os dados de nível A são os dados mais próximos da perfeição possível para o desenvolvimento
algorítmico. Esta estruturado, totalmente anotado, tem ruído mínimo e, o mais importante, é
adequado ao contexto e pronto para uma tarefa específica de aprendizagem automatica.
1) Rotulagem de Dados.
2) Potência.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
OBRIGADO
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
BIOMARCADORES E
BIOBANCOS DE IMAGEM
Introdução:
Para permitir o uso de imagens quantitativas dos biomarcadores em ambientes clínicos e de pesquisa, todo
um processo deve ser estabelecido:
Métodos de exibição,
Imagens paramétricas
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
BIOMARCADORES
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
BIOMARCADORES
Todos os métodos analíticos desenvolvidos devem cumprir requisitos criteriosos, como:
Consistência conceitual,
Validação de desempenho técnico (avaliação de precisão e exatidão),
Desfecho clínico da validação,
Adequação significativa.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Desafios para a adoção de métodos
quantitativos para análise de imagem
dentro da rotina clínica
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
BIOBANCOS E BIOMARCADORES
Apesar das imagens já estarem sendo coletadas a cerca de 10 anos, com a intenção de aumentar a
facilidade no uso de grandes ensaios clínicos a padronização da qualidade da imagem a ser utilizada
para a análise de diferentes biomarcadores de imagem ainda não é viável.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
BIOBANCOS E BIOMARCADORES
Biomarcadores de imagem têm que mostrar uma eficácia clara na
detecção e diagnóstico da doença ou na avaliação da resposta ao
tratamento. Esta eficácia diagnóstica deve ser confirmada por uma
relação clara entre os biomarcadores e os desfechos clínicos esperados,
permitindo-lhes atuar como a previsão do tratamento, sobrevida livre
de progressão, sobrevida global e outros.
2 4
Prova de princípio
1 3 5
Definição de prova de
conceito e mecanismo Necessidade clínica é definida e
se determina o que o Relatório estruturado quantitativo
Dentro de uma biomarcador deve medir. É gerado esse relatório para a
população de controle integração de um novo
biomarcador de imagem clínica.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
DESENVOLVIMENTO PASSO A PASSO
Esta estratégia deve permear todas as soluções quantitativas de radiologia, a partir das interfaces de
usuário aos códigos-fonte dos algoritmos. Ao implementar esta metodologia, os pesquisadores de
análise de imagens devem ser capazes de reconhecer as limitações e incertezas devido a limitações em
qualquer um dos etapas envolvidas, como:
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Validação
Não existe um consenso internacional atual sobre como validar biomarcadores de imagem. O processo
proposto para validação de biomarcadores de imagem considera três etapas e é inspirado nas diretrizes
para avaliação de métodos bioanáliticos.
Precisão
Exatidão
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Validação:
Para avaliar a influência da aquisição de imagem na variabilidade das medidas, os biomarcadores de
imagem idealmente devem ser calculadas testando as seguintes condições variáveis com os mesmos
assuntos, isso é chamado de variações de coeficientes (CoV) e eles são:
- Centro de imagem
- Equipamento
- Parâmetros de aquisição
- Preparação do paciente
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Validação:
O principal objetivo da validação clínica é para mostrar a relação entre os
biomarcadores extraídos da imagem e os desfechos clínicos da doença.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Validação:
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Biobancos de imagens:
Um biobanco é uma coleção, um repositório de
todos os tipos de amostras biológicas humanas,
como sangue, tecidos, células ou DNA e / ou
dados relacionados, como como dados clínicos
e de pesquisa associados, também como
recursos biomoleculares, incluindo modelo e
microrganismos que podem contribuir para a
compreensão da fisiologia e das doenças dos
humanos.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Biobancos de imagens:
O WG (Imaging Biobanks Working Group of the Research Committee) definiu biobancos de imagem
como “bancos de dados organizados de imagens médicas e biomarcadores de imagem associados
(radiologia e além), compartilhado entre vários pesquisadores, ligado a outros biorrepositórios ”e
sugeriu que biobancos (que se concentram apenas na coleção de dados baseados em genótipos) deve
simultaneamente criar um sistema para coletar clinicamente relacionado ou dados baseados em fenótipo
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Biobancos de imagens:
A base disso pressuposto era que a radiologia moderna e medicina nuclear também podem fornecer
vários biomarcadores de imagem do mesmo paciente, usando dados quantitativos derivados de todas as
fontes de imagem digital, como CT, MRI, PET, SPECT, US, Raio X, etc.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Biobancos de imagens:
Biobancos orientados para doenças: desenvolvidos para coletar dados de pacientes oncológicos
ou pacientes afetados por doenças neurodegenerativas, a fim de gerar modelos digitais de
pacientes.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Biomarcadores e biobancos de
imagem na inteligência artificial
Biomarcadores de imagem por si só não serão suficientes, e devem
ser considerados em conjunto com outros dados biológicos para uma
avaliação personalizada da doença.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Agrupamento de pacientes pela evolução
longitudinal em diferentes características
radiômicas no momento do diagnóstico e pós-
tratamento no câncer retal.
O eixo vertical mostra os pacientes e os
clusters extraídos de forma não
supervisionada.
O eixo horizontal inclui ambos os recursos
radiômicos e a variável clínica de recaída, que
é binária (0, não recaída; 1, recaída). A
inclinação em cada caixa representa um
aumento (azul) ou diminuição (vermelho) no
biomarcador de imagem através dos
diferentes pontos de tempo.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Bibliografia:
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Obrigada!
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Big Data in Medicine
Enterprise Imaging
Definições iniciais:
◇ “Enterprise Imaging”
“(...) um conjunto de estratégias, iniciativas e fluxos de trabalho implementados em uma empresa de saúde
para capturar, indexar, gerenciar, armazenar, distribuir, visualizar, trocar e analisar todas as imagens clínicas
e conteúdo multimídia para aprimorar o registro eletrônico de saúde de maneira consistente e otimizada”.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Definições iniciais:
www.wikipedia.com
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Introdução
Não estruturada
Não padronizada (ex: diferentes protocolos)
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Princípios básicos da Enterprise Imaging
Objetivo:
(...) capturar, indexar, gerenciar, armazenar, distribuir, visualizar, trocar e analisar todas as imagens clínicas e
conteúdo multimídia para aprimorar o registro eletrônico de saúde de maneira consistente e otimizada.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
A plataforma de Enterprise Imaging
Características revelantes:
Imagens diagnósticas
Imagens de procedimento
Imagens de evidência
Imagens baseadas nos relatórios clínicos
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
A plataforma de Enterprise Imaging
Quatro grupos de usuários do sistema:
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
A plataforma de Enterprise Imaging
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Padrões e tecnologias para a Plataforma
A plataforma deve comportar diferentes padrões e formatos:
Grupo “visible light” (Endoscopia, microscopia e câmeras digitais): Tipicamente, tais fontes
de imagem não são compatíveis com DICOM diretamente, mas pode ser conectado com software
dedicado.
Captura de fotos ou vídeos médicos: maior desafio. A melhor solução é “embrulhar” os arquivos
non-DICOM em objetos “encapsulados com DICOM” durante a importação.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Aspectos Legais
Maior troca de informações e comunicação -> Inevitável discussão dos aspectos legais
Presença de uma sistema de controle de acesso, com controle de acesso por departamento
e com justificativa.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Inteligência Artificial e Enterprise Imaging
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Inteligência Artificial e Enterprise Imaging
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Inteligência Artificial e Enterprise Imaging
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
TAKE-HOME POINTS
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
OBRIGADO!
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
O PAPEL DA IA EM ENSAIOS CLÍNICOS
Introdução
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Fase III:
Fase II: • Última etapa antes de um
medicamento ser lançado no
Avaliação da eficácia do
mercado.
tratamento, sempre levando
em consideração a segurança. • Nesta fase, a eficácia do
medicamento é avaliada e
O tamanho da coorte quaisquer possíveis efeitos
aumenta. colaterais devem ser monitorados.
Existem cerca de 40-60
Fase IV:
pacientes envolvidos.
• Após a aprovação do novo medicamento
Os pacientes envolvidos têm
pelos órgãos reguladores, diversos estudos
um tumor ou doença muito são realizados com o objetivo de fornecer
específica. informações adicionais sobre os riscos,
benefícios e melhor uso do medicamento.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
ONDE IA Ajuda??
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Padronização de Medicina
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
VALIDAÇÃO DO SITE
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
1. Pesquisa do local
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Durante o ensaio clínico
Por isso, uma verificação de garantia de qualidade deve ser feita para cada um
dos estudos incluídos no ensaio.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Primeiro Em segundo lugar, reduzir o
Para garantir a qualidade das número de sujeitos excluídos,
imagens envolvidas no ensaio, pois os problemas detectados
revisando a conformidade da em um exame podem ser
imagem com o protocolo de corrigidos rapidamente,
aquisição e detectando a reduzindo a possibilidade de
existência de artefatos de outro
imagem que podem afetar a sujeito ser excluído pelo
quantificação da imagem. mesmo motivo.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Inteligência Artificial em ensaios
clínicos
A partir de hoje, as técnicas de IA não estão sendo
amplamente utilizadas em ensaios clínicos, uma vez que
ainda não são consideradas por agências reguladoras como
a Food and Drug Administration (FDA) ou a Agência
Europeia de Medicamentos (EMA).
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
IA pode ser aplicada para os seguintes aspectos:
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Um exemplo de algoritmo de
classificação é um classificador
de raio-X de tórax.
Essa ferramenta de IA pode ser
aplicada na etapa de triagem de
um ensaio clínico.
Isso pode ajudar os radiologistas
a se concentrarem em estudos
anormais de uma determinada
patologia que podem ser
incluídos no ensaio clínico.
A metodologia do classificador
de radiografias de tórax permite
a classificação das radiografias
de tórax em duas classes,
saudável e patológica, ao mesmo
tempo em que é dada uma
probabilidade de classe para
cada patologia possível.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Algoritmos de segmentação
A segmentação é um tipo particular de classificação.
Cada pixel de uma imagem é classificado como parte de uma
estrutura ou como parte do plano de fundo.
Em aplicações de segmentação de imagens médicas, a
necessidade de grandes conjuntos de dados dificultava o
desenvolvimento de ferramentas que pudessem ser utilizadas
em ensaios clínicos.
O surgimento de uma arquitetura de rede neural específica
chamada UNET mitigou parcialmente esse problema.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
A segmentação automatizada
de órgãos pode ser aplicada
em qualquer região.
Um exemplo de segmentação
de órgãos que pode ser
introduzida em ensaios
clínicos é a segmentação da
próstata.
Essa segmentação ajudará o
radiologista a reduzir o tempo
na avaliação do tamanho da
próstata e permitirá avaliar
alterações funcionais, como,
por exemplo, na celularidade
ou neovascularização, com o
auxílio de biomarcadores de
imagem.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Digital Twin e In Silico
Testes clínicos
Outra aplicação em que a IA pode ser usada em ensaios clínicos é a
criação de gêmeos digitais para a execução de ensaios clínicos in silico.
Um gêmeo digital é um modelo digital que imita uma condição,
processo ou sistema fisiológico real e geralmente criado usando técnicas
de big data.
Os modelos digitais de gêmeos devem ser criados sob uma abordagem
multi-escala, a partir de moléculas, células, tecidos, órgãos, sistemas e
escalas humanas de simulação.
Eles serão usados para avaliar a interação de novas moléculas de
fármacos com células contendo características específicas de DNA que
terão consequências no tecido e com todas as outras escalas.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
O uso desses ensaios clínicos in silico, o que significa usar
gêmeos digitais em vez de modelos animais ou pacientes,
permite, por exemplo, a avaliação da toxicidade de drogas
sem a necessidade de realizar ensaios clínicos com animais
ou humanos nas primeiras fases, reduzindo os riscos
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Conclusão
Importancia da padronização de imagens em ensaios clínicos,
propondo uma metodologia passo a passo para garantir a
qualidade da imagem ao longo das diferentes etapas do ensaio
clínico em termos de imagem.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Doenças Cardiovasculares, Toracicas e
neurológicas
Introdução:
Nas últimas décadas, diferentes técnicas têm sido usadas
para a detecção precoce, diagnóstico, monitoramento e
tratamento de doenças cardiovasculares. A imagem tornou-
se uma ferramenta indispensável para este propósito.
A aplicação da inteligência artificial neste campo tem se
mostrado uma grande promessa, mas sua penetração na
prática diária tem sido limitada té agora.
Nos últimos anos, todas essas limitações estão sendo
superadas, o que está ajudando a identificar, classificar e
quantificar as doenças cardiovasculares a partir da
ecocardiografia, tomografia computadorizada, ressonância
magnética e medicina nuclear.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Impacto da IA na imagem
cardiovascular
Embora a maioria das pesquisas em andamento sobre IA no
campo cardiovascular tenha se concentrado na interpretação
e no prognóstico, é importante perceber que a IA pode e
terá impacto em toda a cadeia de imagem, desde a escolha
de um teste de imagem específico, agendamento do
paciente, aquisição de imagem, reconstrução e interpretação
de imagens e até a estratificação do prognóstico do
paciente.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
A medicina cardiovascular é cada vez mais orientada por
diretrizes.
Por exemplo, a European Society of Cardiology lista
atualmente 49 categorias de diretrizes. É evidente que
nenhuma pessoa pode dominar as complexidades de todas
essas diretrizes no dia-a-dia.
Espera-se que os sistemas de apoio baseados em IA e ML
possam ajudar o especialista a selecionar os melhores
métodos de imagem em cada caso.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Reconstrução de imagem e
melhoria da qualidade da imagem
O aprendizado da máquina tem se mostrado uma grande
promessa na reconstrução de imagens de TC e RM e, em menor
grau, na ecocardiografia e na medicina nuclear.
Por exemplo, o aprendizado profundo com redes neurais
convolucionais (CNNs) foi aplicado com sucesso para a
reconstrução mais rápida de aquisições de RM cardíacas, como
uma alternativa aos métodos atuais mais lentos.
Outro exemplo, vários grupos de pesquisa mostraram que
imagens de TC de alta qualidade podem ser reconstruídas a
partir de dados de projeção subamostrados ou através de doses
menores de radiação.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Uma das aplicações mais relevantes é o pós-processamento e análise das
imagens.
Uma das tarefas mais importantes e trabalhosas nas imagens cardíacas é o
contorno dos ventrículos esquerdo e direito no final da sístole e no final da
diástole, a fim de obter frações de ejeção cardíaca e massa miocárdica. Muitos
grupos de pesquisa mostraram que este processo pode ser totalmente
automatizado com resultados altamente confiáveis usando algoritmos de ML.
Outra aplicação em imagem cardiovascular é a determinação automatizada de
volume aórtico para determinar o grau de expansão ao longo do ciclo cardíaco ou
para avaliar o volume e taxa de crescimento dos aneurismas da aorta.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Triagem oportunista e prognóstico
Uma das aplicações mais promissoras é a detecção e
quantificação totalmente automatizados de informações
prognósticas relevantes.
Por exemplo, uma análise mais detalhada dos padrões de
movimento cardíaco em pacientes com hipertensão
pulmonar demonstrou ter um melhor valor preditivo para
desfechos comparados à fração de ejeção do ventrículo
direito, atualmente utilizada para esse.
Outro exemplo é a identificação totalmente automatizada de
calcificações vasculares em exames de tomografia
computadorizada do tórax que foram solicitadas por outro
motivo, exemplo, acompanhamento de neoplasia pulmonar.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Uso prático de IA em diferentes
modalidades de imagem cardiovascular
Ecocardiografia.
Tomografia computadorizada.
Ressonância Magnética.
Medicina nuclear.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Ecocardiografia
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Tomografia computadorizada
cardíaca
Através da análise de textura, explorando as relações entre
os pixels, está sendo útil para a identificação de placas
coronárias de alto risco.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Ressonância Magnética Cardíaca.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Medicina Nuclear.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
PATOLOGIAS TORÁCICAS
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Radiografia Torácica Geral e Nódulos Pulmonares
- Estudos em áreas com alta prevalência de TB, sobre o correto posicionamento do
tubo E.T e diagnóstico de SDRA em pediatria demonstraram a eficácia e
importância da I.A.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Radiografia Torácica
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Tomografia Computadorizada
- Aumenta a detecção precoce de neoplasias pulmonares e apresenta bom custo-
benefício;
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Radiômica do Câncer Pulmonar
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Radiômica do Câncer Pulmonar
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Embolia Pulmonar
- Seu diagnóstico depende da combinação do quadro clínico compatível, valor do
D-dímero e da angiotomografia torácica;
- Esses programas são úteis no estudo de diversas patologias (ex.: asma, fibrose
cística), porém dependem fortemente da entrada manual e especializada dos
dados para fornecer resultados confiáveis; este fator dificulta sua introdução no
fluxo de trabalho.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Doenças do Parênquima Pulmonar e da Via Aérea
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Doenças Pulmonares Intersticiais
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Conclusão
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Neurologia e IA
Introdução
Neurorradiologia
○ Sempre esteve na vanguarda da imagem avançada:
Morbimortalidade das patologias, pequeno campo de visão, ausência de
artefato de movimento.
○ Desafios da inteligência artificial -> grande número de informação
corte transversal (vométrico) e uso de RM multiparamétrica, grande volume
de imagens
○ Tecnologia atual: alta taxa de processamento -> começado a superar tais desafios.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Processamento das neuroimagens
Premissa do “machine learning” : maior qualidade dos dados
para treinamento -> melhores resultados.
Etapas de processamento:
○ Extração do cérebro
○ Equalização do histograma
○ Co-registro
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Processamento das neuroimagens
1. Extração do cérebro:
remoção de tecidos “não cerebrais”.
Ref.: http://rstudio-pubs-static.s3.amazonaws.com/8431_d05daa5d49aa4cada417b6afc8ffd295.html
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Processamento das neuroimagens
2. Equalização do histograma
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Ref.: http://www.sci.utah.edu/~acoste/uou/Image/project1/Arthur_COSTE_Project_1_report.html
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Processamento das neuroimagens
3. Co-registro
Co-registro das diferentes informações das imagens cerebrais
(paciente, aquisições e sequências...), em uma organização
padrão.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Processamento das neuroimagens
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Aplicações da IA na neuroimagem:
Protocolação, aquisição e construção de imagem
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Aplicações da IA na neuroimagem:
Protocolação, aquisição e construção de imagem
○ Processamento de imagem:
Potencial de avaliar e reduzir artefatos e reformatar imagens
automaticamente.
Segmentação de imagens (EM, tumor, AVE)
Estudos potenciais em:
● Simulação de imagens 7T a partir de imagens adquiridas em 3T
● “Conversão” de imagens de sequência T1 para T2 (vice-versa), e de
imagens de RM para uma CT simplificada.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
REF.: http://dx.doi.org/10.31744/einstein_journal/2020ao4948
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Aplicações da IA na neuroimagem:
Acidente Vascular Encefálico (AVE)
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
E-ASPECT
Ref.: http://congregar.acsc.org.br/hec-usa-tecnologia-inovadora-com-inteligencia-artificial-para-
diagnosticar-o-avc
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Aplicações da IA na neuroimagem:
Acidente Vascular Encefálico (AVE)
Ref.: https://www.ahajournals.org/doi/10.1161/STROKEAHA.117.019740
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Aplicações da IA na neuroimagem:
Classificação tumoral
2000s’: AI + Espectroscopia
Artigos recentes:
○ Utilizaram máquina de vetor de suporte (SVM) para classificação de
tumores encefálicos -> melhor para amostras menores.
○ Diferenciação dos graus de glioma e de outras neoplasias (linfoma,
MTX).
○ Diferenciação de recidiva x necrose pós tto. Uso de SVM, com
perfusão e permeabilidade capilar.
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Aplicações da IA na neuroimagem:
Detecção de doença
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Aplicações da IA na neuroimagem:
Detecção de doença
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Take-home Points
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5