Estudo e aplicação de técnicas baseadas em Deep Learning para sistemas de suporte à decisão em diagnósticos de radiografias do tórax.

Abstract

Os Sistemas de Apoio à Decisão Clínica (Clinical Decision Support System - CDSS) na área da saúde preenchem a lacuna entre as diretrizes clínicas e as decisões reais de tratamento utilizando dados de pacientes provenientes de diversas fontes. Eles fornecem recomendações de tratamento personalizadas e baseadas em diversos tipos de evidências, como imagens radiográficas. CDSS que utilizam técnicas de aprendizado de máquina (Machine Learning - ML) aprimoraram a análise de radiografias, ultrapassando potencialmente os radiologistas humanos em precisão. Essas técnicas tem o poder de otimizar o fluxo de trabalho, atuando como uma segunda opinião e auxiliando no rastreio de doenças em grande escala. No entanto, a integração com ML em ambientes clínicos apresenta desafios de interpretabilidade. Técnicas de interpretabilidade, como mapas de calor, ajudam os prestadores de cuidados de saúde a compreender as decisões do modelo de ML, levando a diagnósticos mais precisos e a um melhor atendimento ao paciente. Este trabalho tem como objetivo, a partir do treinamento de uma rede neural convolucional para classificação de imagens de radiografias do tórax, a comparação de duas técnicas de interpretabilidade empregadas na geração de mapas de calor - Mapeamento de Ativação de Classe (CAM) e Mapeamento de Ativação de Classe Ponderado por Gradiente (Grad-CAM). O ponto focal da investigação reside em discernir diferenças entre CAM e Grad-CAM, ambas técnicas de interpretabilidade promissoras para desvendar os processos de tomada de decisão de redes neurais profundas. Os resultados fundamentam a hipótese de que o Grad-CAM, supera a precisão de localização do CAM. Além disso, surge uma correlação convincente entre o grau de certeza do modelo e a precisão alcançada pelas técnicas de interpretabilidade na localização de patologias nas radiografias de tórax. Esta conexão ressalta a sinergia potencial entre a certeza diagnóstica e a eficácia das técnicas de interpretabilidade na identificação de regiões anatômicas relevantes. Além disso, o trabalho traduz suas descobertas em aplicações práticas, desenvolvendo uma aplicação de software dedicada. Esta aplicação é elaborada para aproveitar os insights e técnicas derivados do estudo, tornando efetivamente os métodos acessíveis e utilizáveis em cenários do mundo real.