Uma equipe do Laboratório de Ciência da Computação e Inteligência Artificial do MIT (CSAIL) afirma ter desenvolvido um sistema de IA que pode analisar raios-X para antecipar certos tipos de insuficiência cardíaca. Ao detectar sinais de excesso de líquido nos pulmões, uma condição conhecida como edema pulmonar, os pesquisadores afirmam que pode quantificar a gravidade da insuficiência cardíaca em uma escala de quatro níveis corretamente mais da metade do tempo.
A cada ano, cerca de 12,5% das mortes nos Estados Unidos são causadas, pelo menos em parte, por insuficiência cardíaca, de acordo com os Centros de Controle e Prevenção de Doenças dos Estados Unidos. Um dos sinais de alerta mais comuns da insuficiência cardíaca aguda é o edema; O nível exato de fluido em excesso de um paciente geralmente determina o curso de ação do médico. Mas fazer essas determinações é difícil e requer que os médicos confiem em características sutis nas radiografias, o que às vezes pode levar a diagnósticos e planos de tratamento inconsistentes.
Para superar esse desafio, a equipe CSAIL desenvolveu um modelo de IA que, em conjunto, aprende com um grande número de radiografias de tórax e seus relatórios de radiologia associados, com um número limitado de rótulos de gravidade de edema e texto das “impressões”, “descobertas” dos relatórios Seções de “conclusão”, “recomendação” e “relatório final”. (Os rótulos de gravidade variam de 0 a 3, com 3 indicando a condição mais grave.) No momento da inferência, o modelo calcula a gravidade do edema de acordo com a imagem de entrada, até mesmo fazendo previsões a partir dos próprios relatórios.
Acima: Varreduras e níveis de gravidade associados.
Crédito da imagem: MIT CSAIL
O sistema teve que ser projetado para lidar com tons variados e uma variedade de terminologia, levando em conta os estilos de escrita exclusivos dos radiologistas. Em uma etapa em direção a isso, os pesquisadores desenvolveram um conjunto de regras linguísticas e substituições, garantindo que os dados pudessem ser analisados de forma consistente em todos os relatórios, mesmo quando os relatórios não tinham rótulos para a gravidade do edema.
No treinamento do modelo, os pesquisadores buscaram dados do conjunto de dados MIMIC-CXR de código aberto, que contém mais de 377.110 radiografias de tórax associadas a 227.835 relatórios de radiologia. Depois de extrair os rótulos de gravidade dos arquivos associados, filtrar por palavras-chave de outros processos de doenças e limitar a extração de rótulos a pacientes com insuficiência cardíaca congestiva, os pesquisadores ficaram com um conjunto de dados de treinamento de 247.425 pares de imagem-texto.
Para avaliar o modelo, os pesquisadores selecionaram aleatoriamente centenas de pares de imagem-texto e pediram a um radiologista credenciado e especialistas de domínio que revisassem e corrigissem os rótulos dos relatórios. Após o treinamento em imagens e texto, o sistema alcançou 90% de acurácia ao classificar edemas pulmonares de nível 3 e 82% e 81% de acurácia, respectivamente, ao classificar edemas de nível 1 e nível 2.

Acima: Um diagrama mostrando a arquitetura do sistema de IA.
Crédito da imagem: MIT CSAIL
Em colaboração com o Beth Israel Deaconess Medical Center (BIDMC) e a Philips, a equipe planeja integrar seu sistema ao fluxo de trabalho da sala de emergência do BIDMC neste outono. Eles esperam que as anotações dos rótulos de gravidade, que foram acordados por uma equipe de quatro radiologistas, possam servir como um padrão universal para comparar o desenvolvimento futuro do aprendizado de máquina.
“Nosso modelo pode transformar imagens e texto em abstrações numéricas compactas das quais uma interpretação pode ser derivada”, Ph.D. estudante e co-autor Geeticka Chauhan disse. “Nós o treinamos para minimizar a diferença entre as representações das imagens radiográficas e o texto dos laudos radiológicos, usando os laudos para melhorar a interpretação das imagens… Essas correlações serão valiosas para melhorar a busca em um grande banco de dados de radiologia imagens e relatórios, para tornar a análise retrospectiva ainda mais eficaz. ”