Medical Image Analysis

A análise de imagens médicas é o uso de visão computacional (CV) e inteligência artificial (AI) para extrair informações clinicamente úteis de imagens médicas: detetar achados como nódulos pulmonares ou fraturas, delinear órgãos e tumores, medi-los ao longo do tempo e classificar doenças. Ela funciona com raios X, TC, RM, ultrassom, PET, fotografias da retina, vídeos de endoscopia e lâminas de patologia digitalizadas. Essa é a etapa de interpretação que vem depois da imagiologia médica, isto é, dos aparelhos de exame e dos métodos de reconstrução que produzem as imagens. As ferramentas de análise clínica são regulamentadas como dispositivos médicos, e a lista pública de dispositivos médicos com IA da FDA contém bem mais de mil autorizações, a maioria delas em radiologia.

Como funciona a análise de imagens médicas#

As imagens médicas chegam no formato DICOM, que armazena os dados dos pixels junto com metadados, como identificadores do paciente, configurações do aparelho e espaçamento entre cortes. O pré-processamento depende da modalidade. Os valores de pixels da TC são unidades Hounsfield calibradas; por isso, uma "janela" pulmonar ou óssea mapeia o intervalo de intensidades relevante para a entrada do modelo, enquanto as intensidades da RM não têm uma escala fixa e são normalizadas por exame. A TC e a RM produzem volumes 3D com centenas de cortes, que os modelos processam corte a corte ou como volumes; já as lâminas de patologia digitalizadas chegam a bilhões de pixels, por isso são divididas em blocos e processadas com aprendizagem de múltiplas instâncias quando só existem rótulos ao nível da lâmina.

As tarefas principais são tarefas padrão de visão computacional aplicadas à anatomia:

• Classificação de imagens: atribui um rótulo à imagem inteira, por exemplo, se uma fotografia da retina mostra retinopatia diabética que requer encaminhamento.
• Deteção de objetos: desenha caixas à volta de achados, como nódulos, fraturas ou pólipos do cólon, orientando o olhar do profissional de saúde.
• Segmentação de imagens: rotula cada pixel ou voxel para delinear órgãos e tumores para a medição de volume e o planeamento de radioterapia.
• Registo de imagens: alinha exames do mesmo paciente realizados em momentos diferentes ou com modalidades diferentes, para que as alterações possam ser medidas.

A arquitetura U-Net foi concebida para segmentação biomédica em 2015; a nnU-Net configura automaticamente pipelines U-Net para novos conjuntos de dados; e frameworks de código aberto como MONAI reúnem essas tarefas com carregadores de dados e transformações específicas para a área médica.

O ajuste fino de um detector com exames anotados segue o mesmo fluxo de trabalho de qualquer outro domínio: o conjunto de dados de tumores cerebrais da Ultralytics associa cortes de ressonância magnética a caixas de tumor, e o treinamento do Ultralytics YOLO26 com esse conjunto produz um modelo que marca regiões tumorais em novos cortes:

from ultralytics import YOLO

# Ajuste fino de um detetor YOLO26 pré-treinado no COCO com cortes rotulados de RM cerebral
model = YOLO("yolo26n.pt")
model.train(data="brain-tumor.yaml", epochs=100, imgsz=640)

# Detete regiões tumorais num novo corte de RM
results = model("https://ultralytics.com/assets/brain-tumor-sample.jpg")
result = results[0]

# Guarde o corte com as caixas previstas e as pontuações de confiança
result.save(filename="brain_tumor_result.jpg")

Aplicações na área da saúde#

Um padrão amplamente adotado é a triagem. O software que sinaliza uma suspeita de hemorragia cerebral ou AVC de grandes vasos na TC coloca o exame no topo da lista de trabalho do radiologista, e a leitura final do radiologista também serve de verificação do modelo:

Outras aplicações consolidadas abrangem rastreamento, planeamento de tratamentos e procedimentos:

• Rastreamento: No ensaio aleatorizado MASAI da Suécia, o rastreamento mamográfico com apoio de IA detetou 29% mais cancros do que a dupla leitura padrão, sem aumentar os falsos positivos, e reduziu em 44% a carga de trabalho dos radiologistas na leitura dos exames. Em 2018, o IDx-DR tornou-se o primeiro dispositivo autorizado pela FDA a fornecer uma decisão de rastreamento para retinopatia diabética sem que um profissional de saúde interpretasse a imagem.
• Oncologia: Os modelos de segmentação delineiam tumores e órgãos em risco para o planeamento de radioterapia e medem o tamanho dos tumores em exames de acompanhamento.
• Patologia: Os modelos analisam imagens de lâminas inteiras em busca de cancro e, em 2021, o Paige Prostate tornou-se o primeiro software de IA autorizado pela FDA para encontrar cancro em lâminas de biópsias da próstata.
• Endoscopia: Os detetores em tempo real destacam pólipos durante a colonoscopia, e o GI Genius foi o primeiro dispositivo de IA desse tipo autorizado pela FDA, em 2021.

Desafios e considerações#

• Rótulos especializados: A anotação requer radiologistas ou patologistas, e os especialistas discordam em casos difíceis; por isso, os conjuntos de dados rotulados são pequenos e caros.
• Mudança de domínio e aprendizagem de atalhos: Os aparelhos, os protocolos e as populações de pacientes diferem entre hospitais. Um estudo de 2018 descobriu que classificadores de pneumonia treinados com radiografias do tórax conseguiam identificar de que hospital vinha uma imagem e tinham pior desempenho em radiografias de hospitais que não faziam parte dos dados de treinamento.
• Viés em IA: Os modelos treinados com populações de pacientes não representativas têm pior desempenho nos grupos que estão sub-representados nos dados.
• Explicabilidade: Mapas de calor e outras explicações ajudam os profissionais de saúde a verificar em que o modelo se baseou antes de confiarem no resultado.
• Privacidade e aprendizagem federada: Os dados dos pacientes estão abrangidos pela HIPAA nos EUA e pelo GDPR na Europa; os cabeçalhos DICOM e o texto incorporado nas imagens têm de ser desidentificados; e a aprendizagem federada treina modelos em vários hospitais sem reunir os dados dos pacientes.
• Regulamentação e atualizações: Alterações significativas a um modelo autorizado normalmente exigem uma nova submissão regulamentar. A orientação final da FDA de dezembro de 2024 sobre planos predeterminados de controlo de alterações permite que os fabricantes especifiquem, na submissão original, as atualizações planeadas do modelo e a forma como serão validadas.