Aula 03 Slides Do Professor

APRESENTAÇÃO
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
Conceitos básicos em Como a Inteligência Artificial pode A história da Radiologia e sua

Inteligência Artificial e contribuir para a pesquisa em saúde evolução ao longo dos anos.
quais são suas principais e qual é sua reprodutibilidade na
expectativas na área da saúde. indústria.
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.
LUÍS LAMB LUÍS LAMB BRUNO HOCHHEGGER

Professor convidado Professor convidado Professor PUCRS
Inteligência Artificial
Ranschaert ER, Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019 Springer Publishing Company, ISBN:978-3-319-94877-5
Introdução
 Radiologia: Avanços tecnológicos na aquisição de imagens
 TC: múltiplas fatias (volumétrica) e de múltiplas energias;
 RNM: multiparamétrica e múltiplas estruturas (dinâmica);
 US: dimensional (3D + tempo);
 Intervencionista multiplanar;
 Tecnologias híbridas: PET/CT e PET/MRI.
Introdução
 Desafio: análise das imagens criadas por essas novas

modalidades.
 Gargalo para o diagnóstico, planejamento, tratamento,
acompanhamento e pesquisa.
 Sistemas de comunicação e arquivamento de imagens
digitais (PACS) + integração sistema geral = grandes
bancos de dados e de informações médicas relevantes
cada vez mais acessíveis para interesses da pesquisa
(mantendo privacidade e desafios técnicos).
Introdução
 Big Data: estuda como tratar, analisar e obter informações a

partir de conjuntos de dados grandes demais para serem
analisados por sistemas tradicionais.
 Novas oportunidades para análises em grupo dentro de
grupos específicos.
 Caracterização de variações normais e anormais entre
indivíduos; detecção de anomalias individuais de pacientes;
descoberta de marcadores precoces início e progressão da
doença; seleção ideal da terapia e predição do resultado da
terapia; correlação dos achados relacionados ao genótipo e
fenótipo.
Análise de Imagens
Médicas
 Extração de informações quantitativas relevantes das
imagens.
 Medições manuais estão sujeitas a significativa

variabilidade intra e inter observadores.
 Grande necessidade de métodos automatizados ou

semi-automatizados: a fim de permitir a interpretação
de imagens auxiliada por computador na prática
clínica de rotina em um grande número de aplicações.
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).
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 .
 A maioria dos problemas de análise de imagem

envolve uma combinação das seguintes tarefas básicas:
segmentação, registro e visualização.
Análise de Imagens
Médicas
 Segmentação de Imagem:
 detecção dos objetos de interesse na imagem e a

definição de seus limites (discriminação entre os voxels
de imagem que pertencem a um objeto em particular e
aqueles que não pertencem ao objeto).
Análise de Imagens
Médicas
 Pré-requisito para quantificação das propriedades
geométricas (volume e forma);
 Delimita o contorno ou a superfície do objeto em uma

(2D) ou várias (3D) fatias de imagem (agrupa voxels
pertencentes ao mesmo objeto).
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).
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.
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.
Desafios
 A análise de imagens médicas é complicada por diferentes

fatores, em particular a complexidade dos dados, a
complexidade dos objetos de interesse e a validação
complexa.
 Complexidade dos dados:

 Imagens médicas são tipicamente imagens tomográficas 3D.
 A natureza 3D: informações adicionais e uma dimensão
adicional de complexidade
Desafios
 O processamento 3D geralmente é mais eficaz que o

2D, permitindo relações espaciais nas três dimensões
(e a comparação entre os planos).
 A quantificação das imagens é complicada pelas

limitações intrínsecas do processo de aquisição de
imagens resolução limitada, falta de contraste,
ruídos e presença de artefatos.
Desafios
 Complexidade dos objetos de interesse:

 Os objetos de interesse em imagens médicas são tipicamente
estruturas anatômicas (normais ou patológicas), que podem
ser rígidas (estruturas ósseas) ou flexíveis (órgãos dos
tecidos moles).
 Podem exibir uma forma complexa, como a superfície
cortical do cérebro, os vasos cerebrais e coronários ou a
árvore brônquica.
 Formas tão complexas não podem ser facilmente descritas
por um modelo matemático.
Desafios
 Estruturas anatômicas podem mostrar grande

variabilidade de forma intra-sujeito e variação entre
indivíduos, devido a variação biológica normal e
alterações patológicas.
 Estratégias computacionais para análise de imagens

médicas precisam levar em consideração essa
variabilidade e ser suficientemente robustas para ter
um bom desempenho sob uma variedade de condições.
Desafios
 Complexidade da validação
 Quantificação de estruturas internas de interesse em imagens clínicas

do mundo real que não são facilmente acessíveis a partir do
exterior avaliação da precisão absoluta geralmente é impossível.
 Na prática clínica, a verdade básica é normalmente fornecida pela

análise manual  especialista clínico delineamento manual dos
marcos anatômicos. Essa análise manual está sujeita à variabilidade
intra e inter observador, que deve ser considerada na validação de
métodos (semi) automatizados.
 Além da exatidão, a precisão, a consistência e a robustez do método

também devem ser consideradas ao avaliar sua usabilidade clínica.
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.
 Depende de modelos matemáticos que incorporam conhecimento

prévio sobre a aparência típica dos objetos (fotométricas,
geométricas e contextuais).
 Os modelos precisam ser suficientemente flexíveis para levar em

consideração as variações de aparência da imagem (variabilidade
na aquisição da imagem, variabilidade normal da forma biológica,
movimento e deformação e patologia).
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.
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.
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.
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.
Estratégias
Computacionais
 A geometria do modelo deve ser representada

explicitamente, ou seja, com base em pontos de
referência.
 Exemplos de estratégias flexíveis: contornos ativos

(“cobras”), modelos de formas ativas, modelos de
aparência ativa, conjunto de níveis, cortes geogrâficos,
autofaces e registro não rígido baseado em intensidade.
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.
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).
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.
Estratégias
Computacionais
 Gera delimitações de múltiplos órgãos
simultaneamente: glândulas parótidas, cavidade oral,
mandíbula, tronco cerebral (esquerda), laringe glótica,
esôfago, medula espinhal (direita)
Questões Fundamentais
 Algumas escolhas ou questões fundamentais devem ser

consideradas ao selecionar ou projetar uma estratégia
computacional apropriada para análise de imagem.
 Representação explícita versus implícita da
geometria
 A forma do objeto pode ser descrita usando pontos,
contornos ou redes com coordenadas especificadas
explicitamente ou como uma imagem com geometria
implícita na grade da imagem.
 O modelo implícito fornece correspondências densas entre

um modelo de forma pictórico e a imagem a ser segmentada
por registro não rígido restrito pelos modos de deformação
estatística.
 O modelo explícito fornece correspondências de pontos em
pontos de referência por ajuste de forma flexível restringido
por um modelo estatístico de variabilidade de forma.
 O modelo explícito é direcionado por informações de
intensidade especificamente no limite do objeto, o modelo
implícito na aparência geral da intensidade do objeto.
 Espera-se, portanto, que uma estratégia de combinação

que incorpore os dois modelos seja mais robusta que
cada um dos modelos separadamente.
 Representações globais versus locais de aparência:
 Representação global é baseadas em parâmetros que

afetam a aparência geral (fotométrica e / ou
geométrica) do objeto.
 Modelos determinísticos versus estatísticos
 Os modelos de forma na análise de imagens médicas são

frequentemente determinísticos.
 Os modelos determinísticos são geralmente muito genéricos e seu

comportamento adequado depende excessivamente do ajuste de
parâmetros e de uma inicialização adequada.
 Um modelo estatístico de aparência é quando o comportamento

do modelo pode ser tornado mais robusto restringindo sua
flexibilidade e incorporando o conhecimento específico do
aplicativo sobre a variabilidade esperada.
Conclusão
 A evolução para uma medicina mais personalizada

requer a análise de uma grande quantidade de dados
de imagem.
 Métodos automatizados robustos são essenciais para

uma análise mais eficiente e precisa diagnóstico
precoce, planejamento ideal do tratamento e
acompanhamento.
Conclusão
 O aprendizado supervisionado usando redes neurais

convolucionais parece promissor na análise de imagens
médicas.
 Porém, o grande número de parâmetros nessas redes e

a quantidade limitada de dados de treinamento
disponíveis apresentam desafios específicos.
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.
 As técnicas modernas de aprendizagem automática se beneficiam de volumes de dados

exponencialmente maiores.
 Quantos dados são necessários para construir um algoritmo?
 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.
 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.
 Em um mundo repleto de dados radiológicos, os pesquisadores de imagens médicas estão

paradoxalmente privados de dados.
 Foi demonstrado que o desempenho algorítmico em tarefas de visão computacional aumenta
logaritmicamente em função do volume de dados de treinamento.
 No entanto, os dados de imagens médicas disponíveis ao público para treinamento algorítmico

não aumentaram significativamente em tamanho nos últimos anos, mas são mantidos em
particular por hospitais, unidades de pesquisa e indústrias em silos.
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.
 Em algumas circunstâncias, os estudos de imagem são erroneamente rotulados, pois os

tecnólogos alteram inadvertidamente manualmente o cabeçalho DICOM enquanto tentam
otimizar certos parâmetros de aquisição (por exemplo, usando um protocolo de aquisição
anatomicamente diferente).
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.
The MIDaR Scale
• A escala MIDaR foi projetada para permitir conversas

entre provedores de dados e pesquisadores sobre o
volume e o nível de prontidão de dados necessários para
projetos de aprendizagem automatica.
• Quatro categorias de alto nível de prontidão de dados e o

volume decrescente de dados associado à medida que
cada categoria é alcançada.
• Também é importante notar que o "valor" dos dados

também aumenta conforme a escala é escalada.
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.
1) Contém informações de identificação do paciente (anônimos).

2) Quantidade não verificada (desconhecida).
3) Qualidade não verificada.
4) Inacessível para pesquisadores (questões éticas, sociais, monetárias e de privacidade).
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.
1) Aprovação ética (comitê de ética local).

2) Extração de dados (conhecimento completo dos formatos de arquivos do fornecedor e métodos
de armazenamento de mídia).
3) Controle de acesso (local geograficamente diferente).
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.
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.
OBRIGADO
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,
Diretrizes de análise de imagem,
Aquisição de dados quantitativos,
Imagens paramétricas
BIOMARCADORES
Com base nas recomendações da Quantitative Imaging Biomarkers

Alliance (QIBA), várias sociedades de radiologia se posicionaram
quanto a uma metodologia padrão para o desenvolvimento,
validação e integração de métodos de análise de imagem para a
extração de biomarcadores e dados radiômicos, assim como uma
boa implementação na prática clínica.
Estes métodos estão começando a ser aplicados para reduzir a
variabilidade entre os biobancos.
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.
Além disso, os contínuos avanços

tecnológicos e melhorias no hardware
de imagens médicas e o software
requer uma reavaliação regular da
precisão das imagens médicas,
recursos radiômicos e atualizações
regulares dos requisitos de padronização.
Desafios para a adoção de métodos
quantitativos para análise de imagem
dentro da rotina clínica
BIOBANCOS E BIOMARCADORES
Existe ainda o risco de persistência heterogeneidade da qualidade da imagem ao longo do tempo,

devido às diferenças nas tecnologias implementadas por fornecedores e protocolos usados nos vários
centros.
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.
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.
 A metodologia utilizada deve ser uma metodologia sistemática que

permite obter características de alta precisão e precisão nos resultados
do biomarcador de imagem, fazendo sua integração em canais
automatizados viáveis, para a geração de grandes quantidades de dados
radiômicos a serem armazenados em biobancos de imagem.
DESENVOLVIMENTO PASSO A PASSO
É preciso aprimorar uma metodologia estabelecida para a extração de biomarcadores de imagem
Desenvolvimento técnico de
Prova em pacientes específicos
uma imagem
Começa uma geração de Para verificar a eficácia da
medidas quantitativas inovação
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.
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:
 Qualidade inadequada da fonte imagens (aquisição),

 Enviesamento não corrigido de distribuição de intensidade (processamento),
 Simplificação excessiva de modelos matemáticos (análise), ou não estatísticas.
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
A validação técnica dos

Relação clínica biomarcadores de imagem, irão
determinar a precisão, bem como sua
margem de confiança .
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
O CoV mais alto para todos os

experimentos deve ser inferior
à 15%, se a qualidade da
imagem for reduzida o CoV
pode ser estendido à 20%.
Validação:
O principal objetivo da validação clínica é para mostrar a relação entre os
biomarcadores extraídos da imagem e os desfechos clínicos da doença.
Longo Prazo Curto Prazo

Status prognóstico do Avaliação da detecção,
paciente Diagnóstico e avaliação
da resposta ao tratamento
ou medição
Validação:
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.
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
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.
Como exemplo, temos o seguinte biomarcadores para o cenário clínico da oncologia:
Preditivo Diagnóstico Morfológico Estadiamento
Usado como uma Usado como um Mede o tamanho ou a Usado como

ferramenta para prever a diagnóstico ferramenta forma de uma imagem ferramenta de
progressão e recorrência para a identificação de macroscópica classificação da
daER,
doença. pacientes com doença. estrutura
Ranschaert Artificial Intelligence in Medical Imaging: Opportunities, Applications and Risks. 2019no corpoPublishing Company,
Springer extensão da doença.
ISBN:978-3-319-94877-5
Dois tipos de biobancos de imagem podem ser definidos:
 Biobancos de base populacional: desenvolvidos para coletar dados da população em geral, em

tais caso o objetivo da coleta de dados é identificar fatores de risco no desenvolvimento da doença,
para desenvolver modelos de previsão para a estratificação de risco individual, ou para identificar
marcadores para detecção precoce da doença.
 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.
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.
A análise, estratificação entre pacientes e correlação cruzada entre

pacientes e doenças, de um grande número de dados ômicos
contidos em biobancos, são um exercício que não pode ser realizado
apenas pelo cérebro humano; portanto, para é necessário um
processo assistido por computador.
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.
Bibliografia:
Obrigada!
Big Data in Medicine
Enterprise Imaging
Definições iniciais:
◇ “Big Data” (Tradução: megadados ou grandes dados)

“(...) é a área do conhecimento que estuda como tratar, analisar e obter informações a partir de conjunto de dados
grandes demais para serem analisados por sistemas tradicionais.”
◇ “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”.
Definições iniciais:
◇ “PACS” (Tradução: Sistema de Comunicação e Arquivamento de Imagens)

(...) é uma tecnologia de imagens médicas que fornece armazenamento econômico e acesso conveniente a imagens
de várias modalidades. As imagens e relatórios eletrônicos são transmitidos digitalmente via PACS; (..) O formato
universal para armazenamento e transferência de imagens PACS é DICOM (Digital Imaging and Communications in
Medicine).
www.wikipedia.com
Introdução
1° PACS: >20 anos Criação do padrão DICOM (1993)
Pioneira: Radiologia -> Atual: Totalmente digital*
Outras áreas da saúde

Cardiologia (2ª)-> DICOM
Odontologia, oftalmologia… patologia***
Introdução
PACS
Estágio inicial: “Descentralização” da aquisição/
armazenamento de imagem em departamentos
Alto custo, dificuldade de comunicação e acesso
Potencial atual: Sistema de gerenciamento de imagens
integrado
Sistema único (Ex.: DICOM + non-DICOM data)
com acesso universal, e... valioso para pesquisa
em inteligência artificial
Introdução
Informações no mundo atual

(Quase) todas as informações do paciente
armazenadas em um Registro Eletrônico de Saúde
Não estruturada
Não padronizada (ex: diferentes protocolos)
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.
Sistema bem sucedido:

 Governança
 Estratégia de Enterprise Imaging
 Plataforma de Enterprise Imaging (infraestrutura)
 Imagens clínicas e conteúdo multimídia
 Visualizador empresarial de registro eletrônico
 Serviço de conversão de imagens
 Análise de imagem
A plataforma de Enterprise Imaging
Características revelantes:
Núcleo central de armazenamento

Interface de dispositivo de imagem
Fornecer lista de trabalhos
Trabalhar com várias fontes de imagem

Ex.: DICOM e non-DICOM (ex: vídeo, imagem...)
Integrar fontes externas de imagem
Ex.: Importar de CDs, scanner, telerradiologia
Fornecer acesso às imagens integradas ao prontuário eletrônico
Quatro categorias de imagem:
Imagens diagnósticas
Imagens de procedimento
Imagens de evidência
Imagens baseadas nos relatórios clínicos
Quatro grupos de usuários do sistema:
Usuário que realizam a interpretação da imagem

Cirurgião subespecialista que usa a imagem para planejamento do
procedimento
Usuário geral, “contribuinte” ou não, necessitando acesso para

ferramentas básicas do sistema
Usuários externos, como paciente ou outra referência da saúde.
A implantação da plataforma impactará diversos fluxos de trabalho

em vários departamentos.
Algumas áreas já estão adaptados com aquisição, armazenamento e
distribuição de imagem.
Outras especialidades (especialmente clínicas) não possuem esse
fluxo estabelecido.
Necessidade de adaptações no aspecto técnico em um sistema muito

maior que o tradicional PACS (instalação, updates, manutenção,
conversão de imagens em formatos non-DICOM…)
Padrões e tecnologias para a Plataforma
A plataforma deve comportar diferentes padrões e formatos:
Formato DICOM nativo: Já utilizado por algumas especialidades
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.
Importação de imagens externas ou compartilhamento de imagens para terceiros.
Aspectos Legais
Maior troca de informações e comunicação -> Inevitável discussão dos aspectos legais
A privacidade do paciente deve ser mantida
Presença de uma sistema de controle de acesso, com controle de acesso por departamento
e com justificativa.
Compromisso extra para o envio de informação para profissionais externos
*Regulação Européia: consentimento do paciente é mandatório e ele pode selecionar as

informações.
Anonimato para uso em pesquisa e educação.
Tempo de armazenamento dos dados.

E a Inteligência Artificial?
Inteligência Artificial e Enterprise Imaging
Mundo ideal: A plataforma de Mundo real: Tal integração não é

imagem integrada com o prontuário realidade nem nas instituições de
eletrônico e outras informações do saúde mais avançadas.
paciente (ex.: gerais, resultados
laboratoriais).
A análise de imagens médicas vem crescendo exponencialmente nos últimos anos,

baseados em técnicas de Machine Learning (ML).
Para avanço na pesquisa de tais técnicas é mandatório um grande número de estudos de

imagem, aliado a informações da própria imagem e de dados clínicos.
A padronização das descrições de procedimentos é um fator chave para construir enormes

coleções de dados para algoritmos de aprendizado de máquina.
Desafios do Machine Learning e as imagens médicas:
Ausência de anotações básicas sobre procedência ou área das imagens
Padronização limitada da descrição de áreas anatômicas
Padronização limitada da descrição de procedimentos médicos (sinônimos…)
Padronização limitada dos protocolos de imagem (para mesmas suspeitas clínicas)
Ausência de codificação ou estruturação para os achados da imagem
As imagens estão armazenadas separadamente a outras informações (relatório).
TAKE-HOME POINTS
A Enterprise Imaging irá substituir o sistema descentralizado do PACS, permitindo

novas oportunidades para colaboração entre diferentes profissionais.
O desenvolvimento de ferramentas de IA pode se beneficiar muito com a variedade de

dados.
A integração clínica exigirá a automatização dos fluxos de trabalho com integração

otimizada das interfaces do usuário.
A maturidade de uma plataforma de Enterprise Imaging pode ser monitorizada pelo

DIAM.
OBRIGADO!
O PAPEL DA IA EM ENSAIOS CLÍNICOS
Introdução
• Ensaio clínico é a avaliação experimental

de um produto, substância, medicamento e
 A imagem médica tornou-se um técnica diagnóstica ou terapêutica que, em
elemento-chave de diagnóstico sua aplicação em seres humanos, visa
na prática clínica, fornecendo avaliar sua eficácia e segurança.
informações sobre várias doenças
que não seriam detectadas de
outra forma. A imagem médica
está progressivamente Em cada uma das quatro fases pelas quais
alcançando um papel crucial no qualquer produto deve passar para chegar ao
campo dos ensaios clínicos. mercado, serão avaliados diferentes
aspectos, começando pela toxicidade e
segurança e terminando com a eficácia do
produto em avaliação:
FASES
Fase I:
 Avaliação da segurança do tratamento e determinação de todos os
possíveis efeitos colaterais em uma pequena coorte (grupo de sujeitos /
pacientes).
 Em uma coorte de uma fase, cerca de 15 a 25 pessoas estão envolvidas.
 Pessoas envolvidas em ensaio clínico são aqueles pacientes que, por
exemplo, em caso de tratamento do câncer no tratamento convencional
não tem sido eficaz e para os quais não existem terapias alternativas.
 Pacientes com tumores para os quais não há tratamento padrão com
eficácia comprovada também estão incluídos.
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.
ONDE IA Ajuda??
Padronização de Medicina
 A padronização de imagens médicas em ensaios clínicos é

fundamental para evitar vieses e erros que podem invalidar as
conclusões extraídas em um estudo.
 A Agência de Medicamentos (EMA) visa definir os
procedimentos a serem seguidos no projeto e gerenciamento de
imagens médicas em ensaios clínicos
 Essas diretrizes especificam a necessidade de armazenamento,
gerenciamento e leitura centralizados de imagens médicas em
ensaios clínicos em vários locais para garantir a
homogeneização das imagens.
Antes do início do ensaio clínico
PROJETO DE PROTOCOLO DE AQUISIÇÃO DE

IMAGEM
 Para a padronização de imagens médicas, o primeiro ponto
que deve ser levado em consideração é o correto desenho
dos protocolos de aquisição de imagens.
 Isso permitirá o uso de biomarcadores de imagem e técnicas

de inteligência artificial em ensaios clínicos.
Para a definição correta do protocolo de aquisição de
imagem, é importante definir, antes de mais nada, qual é a
modalidade de imagem que melhor se adapta aos requisitos
do ensaio clínico.
Também é obrigatório escolher adequadamente as séries /

sequências que melhor retratam a doença ou o processo
biológico subjacente a ser avaliado.
O design correto do protocolo de aquisição é o primeiro passo para

garantir a confiabilidade, repetibilidade e qualidade das leituras
radiológicas e quantificação de biomarcadores de imagem em
ensaios clínicos.
VALIDAÇÃO DO SITE
O segundo passo para garantir a qualidade dos estudos

de imagem é a validação dos locais envolvidos no
ensaio clínico.
O procedimento de validação de sites é composto por
três etapas de validação que garantem, do ponto de
vista teórico e técnico, a capacidade dos sites de
adquirir e transmitir imagens acima do limite de
qualidade definido.
1. Pesquisa do local
 A pesquisa de local é um documento específico em ensaios

clínicos que visa coletar informações sobre as capacidades
técnicas dos locais participantes do estudo.
 Além disso, é importante avaliar as capacidades de

transmissão e exportação do arquivo DICOM do PACS;
como em qualquer ensaio clínico, as imagens são
transferidas para a plataforma central do laboratório central
de imagem.
2. Calibração cruzada
 Esta é uma etapa inédita, tradicionalmente não presente no
processo de ensaio clínico envolvendo imagens médicas, mas
que progressivamente se tornará cada vez mais importante, uma
vez que a maioria dos dados que serão analisados para avaliação
da resposta ao tratamento nos próximos anos serão relacionados
à imagem biomarcadores.
 A calibração cruzada dos biomarcadores de imagem medidos

usando diferentes equipamentos em um ensaio clínico será,
portanto, uma obrigação.
 A calibração cruzada deve sempre ser
realizada usando um fantoma de imagem
específico para a modalidade de imagem
incluída no ensaio.
 Um fantoma de imagem é um dispositivo
projetado especificamente para avaliar,
analisar e ajustar o desempenho de várias
modalidades de aquisição de imagem.
 O procedimento de calibração cruzada
garantirá que os dados do biomarcador de
imagem sejam confiáveis e comparáveis entre
os locais, pois ajudará a reduzir ou remover
vieses do equipamento.
 Para a calibração cruzada, será calculados os
fatores de correção a serem aplicados aos
resultados de cada máquina para normalizá-los
considerando um padrão de referência.
3 - Exploração de execução fictícia
 Um estudo simulado é a aquisição de um sujeito seguindo as diretrizes
estabelecidas no ensaio clínico e com o protocolo de aquisição de
imagem específico.
 O objetivo deste exame é avaliar se o centro compreendeu os
procedimentos de preparação do paciente e introduziu corretamente
todos os parâmetros na configuração do scanner.
 Com esta última etapa, avalia-se o desempenho da aquisição das
imagens em cada local para correção dos protocolos de aquisição, se
necessário.
 O laboratório central receberá a execução simulada e verificará a
qualidade da imagem e os parâmetros no cabeçalho DICOM, para
verificar se estão dentro das faixas especificadas no protocolo.
Durante o ensaio clínico
Garantia de qualidade de imagens médicas
 Finalmente, um aspecto adicional chave no processo de padronização de

imagens médicas em ensaios clínicos é a qualidade da imagem.
 Por isso, uma verificação de garantia de qualidade deve ser feita para cada um
dos estudos incluídos no ensaio.
 Existem dois objetivos desta etapa de verificação de qualidade:
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.
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).
 No entanto, a IA está sendo incluída em ensaios clínicos

para ajudar a avaliar os objetivos exploratórios e desfechos.
IA pode ser aplicada para os seguintes aspectos:
 Estratificação e inclusão do paciente: pode ajudar a

selecionar melhor os pacientes que se beneficiarão da
terapia.
 Avaliação automatizada de garantia de qualidade
 Automatizando a extração de biomarcadores de imagem
quantitativos
 Reduzindo o tempo de leitura da imagem
 Criação de modelos multivariados a partir dos dados
extraídos para aumentar o poder estatístico dos resultados
Algoritmos de Classificação
 São usados para prever classes ou rótulos de dados de

entrada. Essa previsão de rótulo é realizada por meio de um
modelo treinado, que é capaz de dividir as imagens em
classes com uma probabilidade de classe, ou seja, a
probabilidade da imagem pertencer a uma determinada
classe.
 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.
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.
 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.
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.
 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
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.
 A evolução nos próximos anos das técnicas computacionais e

das ferramentas de IA promoverá a criação de gêmeos digitais
que permitirão a utilização dos ensaios clínicos in silico,
reduzindo desta forma o número de pacientes envolvidos,
homogeneizando os resultados dos ensaios, e extrair conclusões
em tempos mais curtos.
OBRIGADA...
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.
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.
 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.
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.
 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.
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.
Uso prático de IA em diferentes
modalidades de imagem cardiovascular
 Ecocardiografia.
 Tomografia computadorizada.
 Ressonância Magnética.
 Medicina nuclear.
Ecocardiografia
 Portabilidade e acessibilidade são as principais vantagens

da ecocardiografia, mas também existem limitações, como a
dependência do operador e o fluxo de trabalho completo
desde a aquisição até o relatório, sendo um processo
demorado.
 Estratégias de aprendizado de máquina podem ajudar o
ecocardiografista não apenas acelerando o tempo de relatório, mas
também pode melhorar a precisão e reduzir a variabilidade com o
objetivo final de desenvolver um "assistente" digital em tempo real
que interpreta automaticamente as imagens de ecocardiografia.
Ecocardiografia Transtorácica 3D
 Medir os volumes cardíacos e funcionar de forma

totalmente automática, tanto em ritmo sinusal como em
fibrilação atrial.
 Em comparação com contornos de especialistas, a geração
de contornos totalmente automatizada foi responsável por
maiores volumes ventricular e atrial.
 Quando aumentada para um conjunto de treinamento maior,
produziu uma segmentação de VE mais precisa.
Ranschaert ER, Artificial

Ranschaert ER, Intelligence in Medical
Artificial Intelligence inImaging: Opportunities,
Medical Imaging: Applications
Opportunities, and Risks.
Applications 2019
and Springer
Risks. Publishing
2019 Springer Company,
Publishing ISBN:978-3-319-94877-5
Company, ISBN:978-3-319-94877-5
Tomografia computadorizada
cardíaca
 Avaliar a presença e extensão da aterosclerose coronariana,
assim como da anatomia cardíaca.
 O escore de cálcio na artéria coronária e a angiografia por

TC coronária são técnicas altamente sensíveis para
descartar doença arterial coronariana e é altamente
indicativa de futuro eventos cardiovasculares.
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.
 Zreik et al. publicaram um método que identifica de

maneira automatizada pacientes com estenoses de artéria
coronária significativas, através da análise do miocárdio do
ventrículo esquerdo em varreduras de CCTA em repouso.
Ressonância Magnética Cardíaca.
 Semelhante à ecocardiografia, a RMC requer radiologistas

altamente qualificados, com conhecimentos de física,
anatomia e patologia para obter imagens diagnósticas.
 Há esforços consideráveis em andamento para automatizar
e acelerar a aquisição de protocolos não complexos para
não ser necessária a intervenção humana.
 Os principais desafios para automatizar esta prática são a
variabilidade da forma do coração, cortes basais e apicais,
assim como a variabilidade entre diferentes scanners e
sobreposição entre estruturas cardíacas.
 Uma área que pode influenciar significativamente a classificação da
doença cardiovascular é a capacidade de quantificar de forma não
invasiva o fluxo sanguíneo em qualquer parte do corpo, também
chamado de fluxo 4D.
 A grande quantidade de dados gerados por paciente com imagens de
fluxo 4D ainda apresenta desafios para a interpretação por
especialistas.Portanto, o campo de quantificação de fluxo pode até se
beneficiar de algoritmos de AI futuramente.
 A quantificação do fluxo na insuficiência cardíaca, por exemplo, tem
potencial significativo, pois mede a função diastólica e sistólica.
Medicina Nuclear.
 Como é o caso da TC, as técnicas de imagem nuclear, como a

tomografia computadorizada por emissão de fóton único
(SPECT) e a tomografia por emissão de pósitrons (PET),
dependem da radiação ionizante para obter informações sobre a
estrutura e função crdíaca. É fundamental que a menor dose de
radiação possível seja usada para permitir a avaliação
diagnóstica.
 Vários estudos já foram publicados que utilizaram CNNs para
reconstruir imagens diagnósticas de baixa dose de radiação.
Conclusão:
 Apesar do desenvolvimento promissor, a implementação

real e estrutural da IA no fluxo de trabalho clínico é
incipiente.
 Uma das principais razões é fato de ser muito trabalhoso, ou
seja, são necessários vários meses de aplicação, para
transformar uma técnica cientificamente comprovada em
um produto que pode ser usado no ambiente clínico.
PATOLOGIAS TORÁCICAS
Avaliação de patologias torácicas com assistência computacional

Introdução
- Sendo tentada há décadas.

- Apenas recentemente rompeu a barreira para aplicação clínica.
- A combinação, na radiologia, da carga de trabalho, aumento da complexidade,
necessidade de diagnósticos acurados e quantitativos e a importância dos exames de
imagem na condução do casos aumentam a pressão e entusiasmo pela aplicação
dessas novas tecnologias.
- Essencial para os programas de I.A que permitam uma utilização e implementação
otimizadas dos achados.
- A implementação da I.A esbarra em regulamentações rigorosas de novas ferramentas
diagnósticas e na falta de integração dos programas de diagnóstico por imagem.
- Aumento da busca por programas que se integrem ao fluxo habitual de trabalho.
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.
- Agiliza o diagnóstico otimizando o “point of care” e quando da baixa

disponibilidade de radiologistas, principalmente em áreas remotas.
- A detecção e caracterização de nódulos são partes vitais do fluxo de trabalho na

radiografia torácica;
- Se apresentam em uma grande variedades de patologias, podendo corresponder a

nódulos benignos, quadros infecciosos, neoplasias primárias e até neoplasias
metastáticas;
Radiografia Torácica
- AI et al, e 259 pacientes com câncer pulmonar de não pequenas células

confirmado, 19% tiveram nódulo pulmonares não visualizados por médicos
radiologistas, atrasando o diagnóstico;
- Em outro estudo, Lee et al demonstrou 89 lesões malignas foram perdidas - por

médicos - em 114 radiografias torácicas;
A ferramenta CAD detectou 46 dessas 89 lesões ;
Radiografia Torácica
- O uso de sistemas CAD aumenta a sensibilidade na detecção de nódulos

pulmonares;
- Sistemas dinâmicos permitem o aceite ou rejeição dos achados em tempo real,

além de diminuírem o tempo de leitura dos exames e oferecerem uma segunda
leitura;
Tomografia Computadorizada
- Aumenta a detecção precoce de neoplasias pulmonares e apresenta bom custo-
benefício;
- O seu uso no estadiamento de outros cânceres aumentou a detecção de

metástases pulmonares;
- Como ponto negativo, apresenta um grande número de imagens a serem

avaliadas, aumentando proporcionalmente o risco de nódulos perdidos;
- O número de imagens subiu de menos de 30 em tomógrafos de detector único

para mais de 1500 em tomógrafos de 64 canais;
- O uso de ferramentas CAD permitem aumentar a detecção de nódulos

pulmonares (76% x 50%) ao custo do aumento de falsos-positivos;
- As ferramentas CAD apresentam boa aplicação quando adicionais ao

radiologista ou para segunda leitura; isoladamente, ainda apresentam taxas
elevadas de falsos-negativos.
- Novos sistemas CAD estão sendo desenvolvidos, utilizando por exemplo a
subtração de vasos e melhorando a identificação de nódulos (ClearRead CT,
Riverain Technologies, Miamisburg, OH, USA); em um estudo, este sistema
detectou 89% dos nódulos malignos e 82% dos benignos maiores ou iguais a
5mm.
- Este sistema foi aprovado pela FDA e está sendo utilizado para segunda leitura;
- Em nódulos maiores, radiologistas mostram-se superiores ao CAD na
diferenciação entre nódulos malignos e benignos; o estudo concluiu que
análises morfológicas são necessárias para criação de softwares mais
avançados.
- Alguns sistemas novos, através do aprendizado de máquina, estão
demonstrando elevado grau de independência (estudos ainda não publicados);
Radiômica do Câncer Pulmonar
- É a extração de dados mensuráveis de imagens radiológicas e sua integração em

modelos preditivos multidisciplinares para o gerenciamento de pacientes;
- Características morfológicas analisadas pelo CAD e associadas a bancos de

dados permitem calcular a probabilidade da lesão ser um adenocarcinoma
invasivo não-lepídico, adenocarcinoma predominantemente lepídico ou
adenocarcinoma in situ/minimamente invasivo;
- O uso do aprendizado de máquina associado a inteligência artificial melhoram

significativamente a detecção de nódulos, sua caracterização e o manejo
correto desses achados;
Radiômica do Câncer Pulmonar
Embolia Pulmonar
- Seu diagnóstico depende da combinação do quadro clínico compatível, valor do
D-dímero e da angiotomografia torácica;
- A análise da angiotomo está sujeita a interpretação incorreta a depender da

experiência do observador, qualidade do exame e fatores relacionados ao
paciente;
- Um estudo demonstrou uma sensibilidade geral de 74% na detecção de

embolismo pulmonar por radiologistas (sendo de 97% para embolismo central e
70% para periféricos); o sistema CAD apresentou uma sensibilidade de 74%
para centrais e 82% para periféricos, indicando certa superioridade neste
último cenário;
- Estes estudos demonstram a vantagem do uso do CAD como segunda leitura;
Doenças do Parênquima Pulmonar e da Via Aérea
- Diversos programas foram introduzidos para ajudar a classificar e quantificar as

doenças do parênquima pulmonar e das vias aéreas;
- 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.
Doenças do Parênquima Pulmonar e da Via Aérea
- A quantificação dos achados nos estudo tomográficos no enfisema, asma e

doenças de vias aéreas ainda estão em desenvolvimento;
- A criação de sistemas autônomos é essencial para sua integração no fluxo

habitual de trabalho;
Doenças Pulmonares Intersticiais
- Softwares de aprendizado de máquina já são empregados no fluxo de trabalho

habitual;
- Mostraram-se superiores à classificação visual;
- As variáveis computacionais de opacidade em vidro fosco, reticulação e

faveolamento apresentam relação importante com a capacidade vital forçada;
- O software apresenta excelente potencial de demonstrar pequenas e grandes

mudanças ao longo do tempo e é mais sensível que os testes padrão de função
pulmonar;
Conclusão
- O papel dos programas de CAD, aprendizado de máquina e inteligência artificial

na imagem torácica apenas começou;
- Os novos programas estão evoluindo para “provar” a sua aplicabilidade no fluxo

habitual de trabalho e o seu custo-benefício, economizando tempo de
interpretação ou fornecendo importantes dados adicionais;
- A integração autônoma desses softwares é essencial para sua aplicação;
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.
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
1. Extração do cérebro:
 remoção de tecidos “não cerebrais”.
Ref.: http://rstudio-pubs-static.s3.amazonaws.com/8431_d05daa5d49aa4cada417b6afc8ffd295.html
2. Equalização do histograma
 Heterogeneidade: “Big data” composta por múltiplos centros e RM

scanners diferentes (variações nos artefatos, intensidade de sinal, campo
magnético).
 Neutraliza essas variações de intensidade de sinal.
Ref.: http://www.sci.utah.edu/~acoste/uou/Image/project1/Arthur_COSTE_Project_1_report.html
3. Co-registro
 Co-registro das diferentes informações das imagens cerebrais
(paciente, aquisições e sequências...), em uma organização
padrão.
 Premissa do “machine learning” : maior qualidade dos dados

para treinamento -> melhores resultados.
 Técnica de acréscimo de dados:

○ o aumento numérico da amostra é uma técnica artificial utilizada em
situações em que um grande volume de dados não está disponível.
Aplicações da IA na neuroimagem:
Protocolação, aquisição e construção de imagem
○ Protocolo de aquisição de imagem (especialmente MRI):

 potencial de gerar protocolos automáticos (com sequências necessárias
somente), baseados nas decisões prévias dos radiologistas.
○ Aquisição de imagem:
 Identificação e resolução imediata (e automática) de problemas de
aquisição (ex.: artefato)
 Redução do tempo de aquisição, através do uso de preditores
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.
REF.: http://dx.doi.org/10.31744/einstein_journal/2020ao4948
Acidente Vascular Encefálico (AVE)
 e-ASPECTS: Avalia desfecho e guia tratamento, com resultados

não-inferiores a neurorradiologistas. Aprovado na Europa.
E-ASPECT
Ref.: http://congregar.acsc.org.br/hec-usa-tecnologia-inovadora-com-inteligencia-artificial-para-
diagnosticar-o-avc
Acidente Vascular Encefálico (AVE)
 Distinção da área infartada e da penumbra, com quantificação

de volume de infarto, utilizando DWI, T2/FLAIR e perfusão.
Ref.: https://www.ahajournals.org/doi/10.1161/STROKEAHA.117.019740
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.
Detecção de doença
 “Normal” x “Doente”: IA geralmente possui aplicabilidade em

processos específicos do diagnóstico, limitado a classificações
binárias.
○ Ex.: MRI normal x foco epileptogênico.
Detecção de doença
 Há enfoque de alguns estudos para diagnóstico de doenças críticas (emergências):

○ Resultados promissores na identificação de hemorragia intracraniana na CT.
 Ex1: Estudo para reclassificação em exames de rotina x urgente
 Ex2: Estudo para triagem de CT crânio -> sensibilidade semelhante a
radiologista (porém 150x mais rápido) para detectar fratura aguda,
hemorragia intracraniana, acidente vascular cerebral, efeito de massa e
hidrocefalia
Take-home Points
 Neuroimagem é um grande foco dos estudos de IA devido à alta

morbimortalidade das doenças.
 Os desafios estão relacionados aos estudos volumétricos e
multiparamétricos, o que pode ser superado pelo avanços em
Hardware.
 IA já demonstrou potencial de aplicabilidade em todo o
processo de decisão, aquisição e processamento de imagem.
 Estudos novos já demonstram aplicação em processos
específicos, como na hemorragia intracraniana, infarto, tumor.
Obrigado.

Aula 03 Slides Do Professor

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aula 03 Slides Do Professor

Enviado por

Direitos autorais:

Formatos disponíveis

APRESENTAÇÃO

Conceitos básicos em Como a Inteligência Artificial pode A história da Radiologia e sua

LUÍS LAMB LUÍS LAMB BRUNO HOCHHEGGER

 Radiologia: Avanços tecnológicos na aquisição de imagens

 TC: múltiplas fatias (volumétrica) e de múltiplas energias;

 RNM: multiparamétrica e múltiplas estruturas (dinâmica);

 US: dimensional (3D + tempo);

 Tecnologias híbridas: PET/CT e PET/MRI.

 Desafio: análise das imagens criadas por essas novas

 Big Data: estuda como tratar, analisar e obter informações a

 Medições manuais estão sujeitas a significativa

 Grande necessidade de métodos automatizados ou

 A maioria dos problemas de análise de imagem

 detecção dos objetos de interesse na imagem e a

 Delimita o contorno ou a superfície do objeto em uma

 A análise de imagens médicas é complicada por diferentes

 Complexidade dos dados:

 O processamento 3D geralmente é mais eficaz que o

 A quantificação das imagens é complicada pelas

 Complexidade dos objetos de interesse:

 Estruturas anatômicas podem mostrar grande

 Estratégias computacionais para análise de imagens

 Quantificação de estruturas internas de interesse em imagens clínicas

 Na prática clínica, a verdade básica é normalmente fornecida pela

 Além da exatidão, a precisão, a consistência e a robustez do método

 Depende de modelos matemáticos que incorporam conhecimento

 Os modelos precisam ser suficientemente flexíveis para levar em

 A geometria do modelo deve ser representada

 Exemplos de estratégias flexíveis: contornos ativos

 Algumas escolhas ou questões fundamentais devem ser

 O modelo implícito fornece correspondências densas entre

 Espera-se, portanto, que uma estratégia de combinação

 Representações globais versus locais de aparência:

 Representação global é baseadas em parâmetros que

 Modelos determinísticos versus estatísticos

 Os modelos de forma na análise de imagens médicas são

 Os modelos determinísticos são geralmente muito genéricos e seu

 Um modelo estatístico de aparência é quando o comportamento

 A evolução para uma medicina mais personalizada

 Métodos automatizados robustos são essenciais para

 O aprendizado supervisionado usando redes neurais

 Porém, o grande número de parâmetros nessas redes e

 As técnicas modernas de aprendizagem automática se beneficiam de volumes de dados

 Quantos dados são necessários para construir um algoritmo?

 Em um mundo repleto de dados radiológicos, os pesquisadores de imagens médicas estão

 No entanto, os dados de imagens médicas disponíveis ao público para treinamento algorítmico

 Em algumas circunstâncias, os estudos de imagem são erroneamente rotulados, pois os

• A escala MIDaR foi projetada para permitir conversas

• Quatro categorias de alto nível de prontidão de dados e o

• Também é importante notar que o "valor" dos dados

1) Contém informações de identificação do paciente (anônimos).

1) Aprovação ética (comitê de ética local).

Diretrizes de análise de imagem,

Aquisição de dados quantitativos,

Com base nas recomendações da Quantitative Imaging Biomarkers

Além disso, os contínuos avanços

Existe ainda o risco de persistência heterogeneidade da qualidade da imagem ao longo do tempo,

 A metodologia utilizada deve ser uma metodologia sistemática que

 Qualidade inadequada da fonte imagens (aquisição),

A validação técnica dos

O CoV mais alto para todos os

Longo Prazo Curto Prazo

Como exemplo, temos o seguinte biomarcadores para o cenário clínico da oncologia:

Preditivo Diagnóstico Morfológico Estadiamento