RADIOLOGIA

1. Introdução

A radiologia e o diagnóstico por imagem evoluíram muito nos últimos tempos.

As imagens radiológicas fornecidas podem ser muito complexas e a análise de

exames exige muito conhecimento. O sistema computadorizado que tem como

objetivo ajudar no diagnóstico que vem sendo muito desenvolvido e visa melhorar a

exatidão dos exames, a interpretação das imagens, a avaliação prognóstica e o

suporte à decisão terapêutica. Esse sistema possui grande potencial, mas ainda

existem limitações para seu uso na rotina clínica (PINHO, 2022).

Com o surgimento da Inteligência Artificial IA e do big date, seguimos em

rumo a redução de limitações, homogeneização e expansão do uso dessas

ferramentas, fazem com que cada paciente seja atendido com excelência na

interpretação dos exames e maior exatidão do diagnóstico (PINHO, 2022).

2. Conceitos básicos

O uso da inteligência artificial (IA) no diagnóstico por imagem na medicina

veterinária segue princípios semelhantes aos utilizados na medicina humana.

Listamos abaixo alguns conceitos básicos sobre como IA aplicados no

diagnóstico por imagem veterinária (KRIZHEVSKY et al, 2017).

• Aprendizado de Máquina e Aprendizado Profundo: Assim como na medicina

humana, a IA na medicina veterinária utiliza técnicas de aprendizado de máquina e

aprendizado profundo (deep learning) para analisar imagens médicas. Algoritmos

são treinados com conjuntos de dados que incluem imagens veterinárias e suas

anotações correspondentes (KRIZHEVSKY et al, 2017).

• Segmentação e Detecção de Estruturas: A IA pode ser usada para segmentar

estruturas de interesse em imagens veterinárias, como órgãos, ossos, tumores,

lesões ou áreas de inflamação. Isso auxilia os veterinários na identificação e

avaliação de problemas de saúde em animais (KRIZHEVSKY et al, 2017).

• Classificação de Anomalias: Além de segmentar, a IA pode classificar as

anomalias detectadas em diferentes categorias, como benignas ou malignas. Isso é

particularmente útil para a detecção precoce de doenças. (KRIZHEVSKY et al,

2017).

• Identificação de Raças e Espécies: Algoritmos de IA podem ser treinados para

identificar raças de animais e até mesmo espécies. Isso pode ser útil em contextos

de identificação de animais perdidos ou desconhecidos (KRIZHEVSKY et al, 2017).

• Apoio ao Diagnóstico: A IA não substitui a experiência e o julgamento clínico do

veterinário, mas fornece um suporte valioso ao diagnóstico, ajudando a melhorar a

precisão e eficiência do processo de diagnóstico (KRIZHEVSKY et al, 2017).

• Imagens de Diferentes Modalidades: A IA pode ser aplicada a várias modalidades

de imagem, como radiografias, ultrassonografias, ressonâncias magnéticas e

tomografias computadorizadas, cada uma com desafios específicos (KRIZHEVSKY

et al, 2017).

• Integração com Equipamentos Médicos: Em alguns casos, sistemas de IA podem

ser integrados diretamente com equipamentos médicos, permitindo análises em

tempo real e fornecendo resultados instantâneos (KRIZHEVSKY et al, 2017).

• Treinamento de Modelos Veterinários: Para treinar modelos de IA em medicina

veterinária, é necessário dispor de conjuntos de dados extensos e bem rotulados,

que incluam imagens de diversas espécies e condições clínicas (KRIZHEVSKY et

al, 2017).

• Ética e Privacidade: Assim como na medicina humana, é importante abordar

questões éticas e de privacidade ao usar a IA em diagnóstico por imagem

veterinária. Isso inclui a proteção dos dados do paciente animal e a garantia de que

a IA seja usada de maneira responsável e ética (KRIZHEVSKY et al, 2017).

• Validação Clínica: A validação clínica é fundamental para garantir que os sistemas

de IA sejam confiáveis e precisos em cenários reais. Os resultados da IA devem ser

interpretáveis e úteis para os veterinários (KRIZHEVSKY et al, 2017).

O uso da IA no diagnóstico por imagem veterinária tem o potencial de

melhorar a qualidade do atendimento aos animais, permitindo diagnósticos mais

rápidos e precisos. No entanto, é importante lembrar que a supervisão e a

interpretação de resultados pela equipe veterinária continuam sendo cruciais para o

tratamento adequado dos pacientes (KRIZHEVSKY et al, 2017).

3 . Princípios da analise computadorizada em diagnósticos

A análise computadorizada em diagnósticos por imagem é uma área

essencial da medicina moderna, que combina tecnologia de imagem e

processamento de dados para auxiliar no diagnóstico e tratamento de doenças.

Alguns princípios fundamentais dessa abordagem incluem (LEITE, 2019) :

- Segmentação de Imagem: A capacidade de identificar e isolar estruturas

de interesse em uma imagem, como órgãos, tumores ou vasos sanguíneos, é

crucial. Algoritmos de segmentação ajudam a destacar regiões de interesse

(QUEIROZ et al, 2022).

- Extração de Características: Uma vez que as estruturas são identificadas,

é importante extrair características relevantes, como tamanho, forma, textura e

intensidade de pixels, para caracterizar as anormalidades (QUEIROZ et al, 2022).

 - Classificação e Detecção: Algoritmos de aprendizado de máquina e

inteligência artificial são usados para classificar e detectar padrões em imagens,

identificando doenças ou anormalidades (QUEIROZ et al, 2022).

- Fusão de Dados: A combinação de informações de diferentes modalidades

de imagem como ressonância magnética, tomografia computadorizada e

ultrassonografia, pode fornecer uma visão mais abrangente do problema de saúde

(QUEIROZ et al, 2022).

- Aprendizado Profundo (Deep Learning): Redes neurais profundas são

usadas para tarefas complexas, como diagnóstico de câncer a partir de imagens de

radiologia ou histologia (QUEIROZ et al, 2022).

- Validação e Interpretação: Os resultados da análise computadorizada

devem ser validados clinicamente e interpretados por médicos especialistas, que

têm o conhecimento necessário para tomar decisões clínicas (LEITE, 2019).

- Privacidade e Ética: A segurança dos dados dos pacientes e a

conformidade com regulamentações de privacidade, como o HIPAA nos EUA, são

considerações essenciais (QUEIROZ et al, 2022).

- Melhoria Contínua: A análise computadorizada deve ser constantemente

refinada e aprimorada com feedback clínico, para garantir sua eficácia e precisão.

Esses princípios ajudam a estabelecer as bases para a aplicação bem

sucedida da análise computadorizada em diagnósticos por imagem, melhorando a

precisão do diagnóstico, reduzindo erros humanos e acelerando o processo de

tratamento médico (QUEIROZ et al, 2022).

4. Classificação das imagens, aprendizado de máquina e aprendizado

profundo
 Classificação das imagens significa, em geral, defini-la dentro de uma

categoria pré-estabelecida, como normal versus patológico. Uma das áreas mais

estudadas em inteligência artificial e na classificação de imagens médicas é a de

aprendizado de máquina. Esta técnica identifica padrões com base em casos e

experimentos anteriores, assim como ocorre com a inteligência humana. Métodos

de aprendizado de máquina têm sido utilizados uma variedade de atributos, para

diversas doenças e ferramentas como o CAD e a radiômica (SANTOS et al, 2019).

Para fazer a criação de um método de aprendizagem da máquina precisa da

criação da função de treinamento para um conjunto de dados, usando um

mecanismo de inferência lógica. As RNAs são um dos mais tradicionais métodos de

aprendizado de máquina e são bastante utilizadas em tarefas de classificação de

imagens médicas, como referência as estruturas do sistema nervoso central

humano. O tipo de RNA mais conhecido é o perceptron de multicamadas (MLP).

Tradicionalmente, a rede tipo MLP possui uma camada de entrada (cujos neurônios

correspondem aos atributos da imagem), uma camada de saída (cujos neurônios

correspondem às classes/desfechos) e um conjunto de camadas ocultas

intermediárias, cujos neurônios correspondem aos pontos de ajuste das funções de

ativação (SANTOS et al, 2019).

O aprendizado profundo vem ganhando atenção da comunidade científica.

Pesquisadores passaram a desenvolver algoritmos que integrassem os processos

de extração de atributos e classificação de imagens dentro da própria rede neural.

Dessa maneira, na técnica de aprendizado profundo, é minimizada a necessidade

de pré-processamento ou segmentação (SANTOS et al, 2019).

O método de aprendizado profundo que mais ganhou notoriedade em

medicina é a Rede Neural Convolucional (RNC). RNC é composta por três tipos de
camadas: a primeira camada CONVOLUCIONAL detecta e extrai os atributos, a

segunda camada POOLING seleciona e reduz a quantidade de atributos, e a

terceira camada TOTALMENTE CONECTADA serve para integrar todas as

características extraídas pelas camadas anteriores, normalmente utilizando uma

rede neural do tipo MLP, para realizar a classificação final da imagem, dada pela

predição da classe com maior probabilidade. Validação e Avaliação de performance

é muito importante no processo de aprendizado de máquina. Em radiologia, uma

estratégia muito utilizada é a validação cruzada (SANTOS et al, 2019).

A avaliação da performance é geralmente baseada no cálculo da acurácia,

sensibilidade, especificidade e área sob a curva ROC. O valor da AUC corresponde

à área da região sob a curva ROC, e quanto mais próximo de 1 (escala de 0 a 1),

maior a acurácia do método. Na área de radiologia e diagnóstico por imagem, essas

ferramentas têm sido aplicadas principalmente no diagnóstico/detecção auxiliado

por computador, na recuperação de imagens baseada em conteúdo (CBIR) e na

radiômica/radiogenômica (SANTOS et al, 2019).

5 . Diagnóstico/detecção auxiliado por computador

A finalidade do Diagnóstico auxiliado pelo computador (CAD) é melhorar a

veracidade do diagnóstico, o computador é utilizado somente como uma ferramenta

para obtenção de informação adicional. O diagnóstico auxiliado pelo computador

obtém duas funções, uma é o auxílio à detecção de lesões, a partir da localização

de padrões anormais através da varredura da imagem pelo computador e a outra é

o auxílio ao diagnóstico, através da quantificação de características da imagem e

sua classificação como correspondendo a padrões normais ou anormais (por

exemplo, a associação da quantidade e forma das microcalcificações presentes em

um agrupamento com a malignidade ou não do tumor, ou a associação da textura

dos pulmões com lesões intersticiais em imagens de tórax) (AZEVEDO et al, 2001).

Por ter base conceitual genérica e ampla, a ideia do CAD pode ser aplicada a

todas as modalidades de obtenção de imagem, incluindo radiografia convencional,

tomografia computadorizada, ressonância magnética, ultra sonografia e medicina

nuclear. A detecção automatizada de lesões envolve a localização pelo computador

de regiões contendo padrões radiológicos suspeitos, porém com a classificação da

lesão sendo feita exclusivamente pelo radiologista. Sistemas para auxílio à detecção

têm sido desenvolvidos principalmente para imagens de tórax e de mama. Uma vez

que uma lesão foi detectada, cabe ao radiologista decidir o encaminhamento do

caso, ou seja, se é necessária a realização de algum outro exame ou, por exemplo,

uma biópsia (AZEVEDO et al, 2001).

Sistemas de análise computadorizada estão sendo desenvolvidos para

auxiliar a distinção entre lesões malignas e benignas e aumentar a sensibilidade e

especificidade do diagnóstico. Estes sistemas utilizam atributos extraídos e

quantificados de forma automatizada e também por radiologistas. A vantagem da

extração automatizada (pelo computador) é a objetividade e reprodutibilidade da

medida dos atributos escolhidos (AZEVEDO et al, 2001).

O computador extrai automaticamente atributos relacionados ao tamanho,

forma, quantidade e distribuição espacial das microcalcificações, e um classificador

(uma rede neural artificial, por exemplo) é utilizado para combinar estes atributos e

fornecer uma estimativa da probabilidade de malignidade. Esta estimativa pode

então ser utilizada pelos radiologistas como auxílio na decisão se a lesão é maligna

ou benigna (AZEVEDO et al, 2001).

6. Radiômica e radiogénica- Augusto

 A Radiômica e a Radiogenômica são áreas emergentes no campo do

diagnóstico por imagem em medicina veterinária que têm o potencial de

revolucionar a forma como os profissionais de saúde animal interpretam e utilizam

os dados obtidos por meio de exames radiológicos (LEITE, 2019).

A Radiômica refere-se à extração de informações quantitativas e qualitativas

a partir de imagens médicas, utilizando algoritmos de análise de imagem e

aprendizado de máquina. Essa abordagem permite que os veterinários obtenham

informações detalhadas sobre as características das lesões, como forma, textura e

densidade, que muitas vezes não são visíveis a olho nu. Com a Radiômica, é

possível realizar uma análise mais precisa e objetiva das imagens radiológicas, o

que pode levar a diagnósticos mais precisos e tratamentos mais eficazes (QUEIROZ

et al, 2022).

Por outro lado, a Radiogenômica se concentra na correlação entre

características radiológicas e informações genômicas. Isso significa que os

veterinários podem estudar como as características das imagens médicas estão

relacionadas com os perfis genéticos dos pacientes. Isso pode ser especialmente

relevante em medicina veterinária, onde a predisposição genética para certas

condições de saúde é conhecida em muitas raças de animais. Com a

Radiogenômica, os veterinários podem identificar padrões radiológicos específicos

que estão associados a determinadas condições genéticas, o que pode facilitar o

diagnóstico precoce e a personalização dos tratamentos (LEITE, 2019).

Ambas a Radiômica e a Radiogenômica têm o potencial de melhorar

significativamente o diagnóstico por imagem em medicina veterinária, tornando-o

mais preciso, eficiente e personalizado. Além disso, essas abordagens podem

contribuir para uma melhor compreensão das bases genéticas das doenças em
animais, abrindo portas para novas estratégias terapêuticas e preventivas. Portanto,

é importante que os profissionais de saúde animal estejam cientes dessas

tecnologias em constante evolução e considerem sua aplicação em suas práticas

clínicas para o benefício de seus pacientes e suas famílias humanas (QUEIROZ et

al, 2022).

7. Conclusão

Diante disso, faz-se necessário o uso de Inteligência Artificial no diagnóstico

por imagem, listando o quanto a evolução foi significativa, pois a interpretação de

exames e imagens é bastante complexa. Sabemos que não substitui o diagnóstico

de um veterinário, mas simplifica e auxilia para um resultado mais preciso em

diversas formas. Podemos ser flexíveis em relação a tal uso, traz benefícios para

ambos, mesmo sendo muito pouco utilizado nos diagnósticos por imagem.