Aprendizado de Máquinas aplicado ao diagnóstico por imagem: uma revisão integrativa

Autores

DOI:

https://doi.org/10.53660/CONJ-S33-1167

Palavras-chave:

Aprendizado de máquina, Innteligência artificial, Diagnóstico por imagem

Resumo

As tecnologias de Inteligência Artificial tiveram um avanço proeminente nos últimos anos que, por consequência, acompanha sua crescente aplicação na assistência em saúde. O destaque, nesse contexto, é o uso de Aprendizado de Máquinas no diagnóstico por imagem, que, combina a capacidade de treinamento do desempenho do algoritmo, com o uso de grandes bases de dados de imagens médicas. Esse artigo tem o objetivo de apresentar conceitos sobre o tema, com explicações acessíveis sobre os fundamentos do aprendizado de máquinas, e de como é sua usabilidade em exames de imagem. Ainda, expor o estado da arte atual e levantar discussões relevantes sobre obstáculos, vantagens e desvantagens desta ferramenta para a prática médica, assistência e sistemas de saúde.

Downloads

Não há dados estatísticos.

Biografia do Autor

Carlos Alberto Mourao-Junior, UFJF

CARLOS ALBERTO MOURÃO JÚNIOR, graduado em Medicina (UFJF), concluiu o Mestrado em Ciências Biológicas (Comportamento animal) pela Universidade Federal de Juiz de Fora em 2000. Em 2006 concluiu Doutorado em Ciências (Endocrinologia Clinica) pela Universidade Federal de São Paulo e Pós-Doutorado no Instituto de Matemática Pura e Aplicada (IMPA), na área de Estatística. Pós-Graduado em Filosofia pela UFJF. Especialista em Endocrinologia e Metabologia. Pós-graduado em Psiquiatria.É também bacharel em Direito. Pós-graduado em Gestão Hospitalar pela UFJF. Tem cursos de aperfeiçoamento em Sistemas de Saúde e em Vigilância Sanitária, ambos pela FIOCRUZ. Licenciado em Filosofia e em História pela FAEP/SP. Atualmente é Professor Associado-4 da Universidade Federal de Juiz de Fora, atuando nas disciplinas de Biofísica e Fisiologia, e também nas disciplinas de Filosofia e Neurociência, Metodologia de Pesquisa e Bioestatística. É autor de cinco livros didáticos - três na área de Biofísica e dois na área de Fisiologia Humana, publicados pela Editora Guanabara Koogan, onde também atua como Organizador/Coautor de uma série de livros didáticos de disciplinas do currículo básico da área de saúde e biológica (Histologia, Genética, Neuroanatomia, Farmacologia). Publicou mais de uma centena de trabalhos científicos (artigos em periódicos especializados e trabalhos em anais de eventos). Foi orientador de mais de uma centena de graduandos e pós-graduandos, tendo participado de diversas bancas examinadoras. Atua na área de ensino, pesquisa, extensão, palestras, revisão técnica e científica de livros internacionais, editoração e consultoria em neuroeducação. Ao longo de sua carreira foi aprovado em 7 concursos públicos (em 5 concursos foi primeiro colocado). Em suas atividades profissionais interage com colaboradores em co-autorias de diversos livros e trabalhos científicos. Atualmente está cursando Licenciatura em Matemática. Suas principais áreas de interesse são: i) investigar as bases sobre as quais a ciência se sustenta e a sociologia da ciência; ii) o processo de ensino-aprendizagem à luz das neurciências. 

Referências

ABRÀMOFF, M. D; LOU, Y.; ERGINAY, A.; CLARIDA, W.; AMELON, R.; FOLK, J.C.; NIEMEIJER, M. Improved Automated Detection of Diabetic Retinopathy on a Publicly Available Dataset Through Integration of Deep Learning. Investigative Opthalmology & Visual Science, v. 57, n. 13, p. 5200-5206, 2016.

BROWN, J.M.; CAMPBELL, J.P.; BEERS, A.; CHANG, K.; OSTMO, S.; CHAN, R.V.P.; DY, J.; ERDOGMUS, D.; IOANNIDIS, S.; KALPATHY-CRAMER, J.; CHIANG, M.F. BROWN, J. M. Automated Diagnosis of Plus Disease in Retinopathy of Prematurity Using Deep Convolutional Neural Networks. JAMA Ophthalmology, v. 136, n. 7, p. 803, 2018.

CHOCKLEY, K.; EMANUEL, E. The End of Radiology? Three Threats to the Future Practice of Radiology. Journal of the American College of Radiology, v. 13, n. 12, p. 1415–1420, 2016.

CHOY, G.; KHALILZADEH, O.; MICHALSKI, M.; DO, S.; SAMIR. A.E.; PIANYKH, O.S.; GEIS, J.R.; PANDHARIPANDE, P.V.; BRINK J.A.; DREYER, K.J. Current Applications and Future Impact of Machine Learning in Radiology. Radiology, v. 288, n. 2, p. 318–328, 2018.

EL HAJJAR, A.; REY, J.-F. Artificial intelligence in gastrointestinal endoscopy. Chinese Medical Journal, v. 133, n. 3, p. 326–334, 2020.

FALEIROS, M.C.; NOGUEIRA-BARBOSA, M.H.; DALTO, V.F.; FERREIRA JÚNIOR, J.R.; TENÓRIO, A.P.M.; LUPPINO-ASSAD, R.; AZEVEDO-MARQUES, P.M.D. Machine learning techniques for computer-aided classification of active inflammatory sacroiliitis in magnetic resonance imaging. Advances in Rheumatology, v. 60, n. 1, 2020.

GONZALEZ, R.C.; WOODS, R.E. Digital image processing. Upper Saddle River, NJ: Prentice Hall, 2007.

GULSHAN, V.; PENG, L.; CORAM, M.; STUMPE, M.C.; WU, D.; NARAYANASWAMY, A.; VENUGOPALAN, S.; WIDNER, K.; MADAMS, T.; CUADROS, J.; KIM, R.; RAMAN, R.; NELSON, P.C.; MEGA, J.L.; WEBSTER, D.R. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA, v. 316, n. 22, p. 2402-2410, 2016.

HORIE, Y.; YOSHIO, T.; AOYAMA, K.; YOSHIMIZU, S.; HORIUCHI, Y.; ISHIYAMA, A.; HIRASAWA, T.; TSUCHIDA, T.; OZAWA, T.; ISHIHARA, S.; KUMAGAI, Y.; FUJISHIRO, M.; MAETANI, I.; FUJISAKI, J.; TADA, T. Diagnostic outcomes of esophageal cancer by artificial intelligence using convolutional neural networks. Gastrointestinal Endoscopy, v. 89, n. 1, p. 25–32, 2019.

ITOH, T.; KAWAHIRA, H.; NAKASHIMA, H.; YATA, N. Deep learning analyzes Helicobacter pylori infection by upper gastrointestinal endoscopy images. Endoscopy International Open, v. 06, n. 02, p. E139–E144, 2018.

KOHLI, M.; PREVEDELLO, L.M.; FILICE, R.W.; GEIS, J.R. Implementing Machine Learning in Radiology Practice and Research. American Journal of Roentgenology, v. 208, n. 4, p. 754–760, 2017.

KUBOTA, K.; KURODA, J.; YOSHIDA, M.; OHTA, K.; KITAJIMA, M. Medical image analysis: computer-aided diagnosis of gastric cancer invasion on endoscopic images. Surgical Endoscopy, v. 26, n. 5, p. 1485–1489, 2011.

LI, Z.; HE, Y.; KEEL, S.; MENG, W.; CHANG, R.T.; HE, M. Efficacy of a Deep Learning System for Detecting Glaucomatous Optic Neuropathy Based on Color Fundus Photographs. Ophthalmology, v. 125, n. 8, p. 1199–1206, 2018.

LIU, X.; FAES, L.; KALE, A.U.; WAGNER, S.K.; FU, D.J.; BRUYNSEELS, A.; MAHENDIRAN, T.; MORAES, G.; SHAMDAS, M.; KERN, C.; LEDSAM, J.R.; SCHMID, M.K.; BALASKAS, K.; TOPOL, E.J.; BACHMANN, L.M.; KEANE, P.A.; DENNISTON, A.K. A comparison of deep learning performance against health-care professionals in detecting diseases from medical imaging: a systematic review and meta-analysis. The Lancet Digital Health, v. 1, n. 6, p. e271–e297, 2019.

LIVINGSTONE, D.; TALAI, A.S.; CHAU, J.; FORKERT, N.D. Building an Otoscopic screening prototype tool using deep learning. Journal of Otolaryngology - Head & Neck Surgery, v. 48, n. 1, 2019.

LUDERMIR, T. B. Inteligência Artificial e Aprendizado de Máquina: estado atual e tendências. Estudos Avançados, v. 35, n. 101, p. 85–94, 2021.

MADANI, A.; ARNAOUT, R.; MOFRAD, M.; ARNAOUT, R. Fast and accurate view classification of echocardiograms using deep learning. NPJ Digital Medicine, v. 1, n. 1, 2018.

MAHESH, M. The Essential Physics of Medical Imaging, Third Edition. Medical Physics, v. 40, n. 7, 2013.

MARTIN-ISLA, C.; CAMPELLO, V. M.; IZQUIERDO, C.; RAISI-ESTABRAGH, Z.; BAESSLER, B.; PETERSEN, S. E.; LEKADIR, K. Image-Based Cardiac Diagnosis With Machine Learning: A Review. Frontiers in cardiovascular medicine, v. 7, p. 1, 2020.

MCGLYNN, E. A.; MCDONALD, K. M.; CASSEL, C. K. Measurement Is Essential for Improving Diagnosis and Reducing Diagnostic Error: A Report From the Institute of Medicine. JAMA, v. 314, n. 23, p. 2501-2502, 2015.

NAGENDRAN, M.; CHEN, Y.; LOVEJOY, C. A.; GORDON, A. C.; KOMOROWSKI, M.; HARVEY, H. TOPOL, E. J.; IOANNIDIS, J. P. A.; COLLINS, G. S.; MARUTHAPPU, M. Artificial intelligence versus clinicians: systematic review of design, reporting standards, and claims of deep learning studies. BMJ, v. 368, 2020.

NICHOLS, J. A.; HERBERT CHAN, H. W.; BAKER, M. A. B. Machine learning: applications of artificial intelligence to imaging and diagnosis. Biophysical Reviews, v. 11, n. 1, p. 111-118, 2019.

OLSEN, T. G.; JACKSON, B. H.; FEESER, T. A.; KENT, M. N.; MOAD, J. C.; KRISHNAMURTHY, S.; SOANS, R. E. Diagnostic performance of deep learning algorithms applied to three common diagnoses in dermatopathology. Journal of pathology informatics, v. 9, n. 1, p. 32, 2018.

PEREIRA, A. L.; NASCIMENTO NETO, C. D. do; BORGES, K. F. L.; SOUZA, C. M. de; MAGIONI, M. G. L. K.; BAGGIERI, B. R. Inteligência artificial como ferramenta para identificação humana em odontologia legal. Brazilian Journal of Production Engineering, v. 5, n. 4, p. 82-96, 2019.

PICCOLO, D.; FERRARI, A.; PERIS KETTY; DAIDONE, R.; RUGGERI, B.; CHIMENTI, S. Dermoscopic diagnosis by a trained clinician vs. a clinician with minimal dermoscopy training vs. computer‐aided diagnosis of 341 pigmented skin lesions: a comparative study. British Journal of Dermatology, v. 147, n. 3, p. 481-486, 2002.

RAUMVIBOONSUK, P.; KRUASE, J.; CHOTCOMWONGSE, P.; SAYERS, R.; RAMAN, R.; WIDNER, K.; CAMPANA, B. J. L.; PHENE, S.; HEMARAT, K.; TADARATI, M.; SILPA-ARCHA, S.; LIMWATTANAYINGYONG, J.; RAO, C.; KURUVILLA, O.; JUNG, J.; TAN, J.; ORPRAYOON, S.; KANGWANWONGPAISAN, C.; SUKUMALPAIBOON, R.; LUENGCHAICHAWANG, C.; FUANGKAEW, J.; KONGSAP, P.; CHUALINPHA, L.; SAREE, S.; KAWINPANITAN, S.; MITVONGSA, K.; LAWANASAKOL, S.; THEPCHATRI, C.; WONGPICHEDCHAI, L.; CORRADO, G. S.; PENG, L.; WEBSTER, D. R. Deep learning versus human graders for classifying diabetic retinopathy severity in a nationwide screening program. NPJ digital medicine, v. 2, n. 1, p. 1-9, 2019.

Report Linker. Artificial Intelligence in Healthcare Market by Offering, Technology, Application, End User and Geography - Global Forecast to 2027. Report Linker, 2021. Disponível em: <https://www.reportlinker.com/p04897122/Artificial-Intelligence-in-Healthcare-Market-by-Offering-Technology-Application-End-User-Industry-and-Geography-Global-Forecast-to.html>. Acesso em: 10 jun. 2022

RESMINI, R.; CONCI, A.; BORCHARTT, T. B.; LIMA, R. D. C. F. de; MONTENEGRO, A. A.; PANTALEÃO, C. A. Diagnóstico precoce de doenças mamárias usando imagens térmicas e aprendizado de máquina. Revista brasileira de Contabilidade e Gestão, v. 1, n. 1, p. 55-67, 2012.

SANTOS, M. K.; FERREIRA, J. R.; WADA, D. T.; TENÓRIO, A. P. M.; BARBOSA, M. H. N.; MARQUES, P. M. D.A. Inteligência artificial, aprendizado de máquina, diagnóstico auxiliado por computador e radiômica: avanços da imagem rumo à medicina de precisão. Radiologia Brasileira, v. 52, p. 387-396, 2019.

SENDERS, J. T.; ARNAOUT, O.; KARHADE, A. V.; DASENBROCK, H. H.; GORMLEY, W. B.; BROEKMAN, M. L.; SMITH, T. R. Natural and artificial intelligence in neurosurgery: a systematic review. Neurosurgery, v. 83, n. 2, p. 181-192, 2018.

TING, D. S. W.; CHEUNG, C. Y.; LIM, G.; TAN, G. S. W.; QUANG, N. D.; GAN, A.; HAMZAH, H.; GARCIA-FRANCO, R.; SAN YEO, I. Y.; LEE, S. Y.; WONG, E. Y. M.; SABANAYAGAM, C.; BASKARAN, M.; IBRAHIM, F.; TAN, N. C.; FINKELSTEIN, E. A.; LAMOUREUX, E. L.; WONG, I. Y.; BRESSLER, N. M.; SIVAPRASAD, S.; VARMA, R.; JONAS, J. B.; HE, M. G.; CHENG, C. Y.; CHEUNG, G. C. M.; AUNG, T.; HSU, W.; LEE, M. L.; WONG, T. Y. Development and Validation of a Deep Learning System for Diabetic Retinopathy and Related Eye Diseases Using Retinal Images From Multiethnic Populations With Diabetes. JAMA, v. 318, n. 22, p. 2211-2223, 2017.

TOH, T. S.; DONDELINGER, F.; WANG, D. Looking beyond the hype: applied AI and machine learning in translational medicine. EBioMedicine, v. 47, p. 607-615, 2019.

TOPOL, E. J. High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine, v. 25, n. 1, p. 44-56, 2019.

WHITTEMORE, R.; KNALF, K. The integrative review: updated methodology. Journal of Advanced Nursing, v. 52, n. 5, p. 546-553, 2005.

WONG, S. H.; AL-HASANI, H.; ALAM, Z.; ALAM, A. Artificial intelligence in radiology: how will we be affected?. European radiology, v. 29, n. 1, p. 141-143, 2019.

YIM, J.; CHOPRA, R.; SPITZ, T.; WINKENS, J.; OBIKA, A.; KELLY, C.; ASHKAM, H.; LUKIC, M.; HUEMER, J.; FASLER, K.; MORAES, G.; MEYER, C.; WILSON, M.; DIXON, J.; HUGHES, C.; REES, G.; KHAW, P. T.; KARTHIKESALINGAM, A.; KING, D.; HASSABIS, D.; SULEYMAN, M.; BACK, T.; LEDSAM, J. R.; KEANE, P. A.; DEFAUW, J. Predicting conversion to wet age-related macular degeneration using deep learning. Nature Medicine, v. 26, n. 6, p. 892-899, 2020.

ZHANG, J.; GAJJALA, S.; AGRAWAL, P.; TISON, G. H.; HALLOCK, L. A.; BEUSSINK-NELSON, L.; LASSEN, M. H.; FAN, E.; ARAS, M. A.; JORDAN, C.; FLEISCHMANN, K. E.; MELISKO, M.; QASIM, A.; SHAH, S. J.; BAJCSY, R.; DEO, R. C. Fully Automated Echocardiogram Interpretation in Clinical Practice. Circulation, v. 138, n. 16, p. 1623-1635, 2018.

Downloads

Publicado

2022-07-03

Como Citar

Jabour, F. G., Figueiredo, R. M. de O., & Mourao-Junior, C. A. (2022). Aprendizado de Máquinas aplicado ao diagnóstico por imagem: uma revisão integrativa. Conjecturas, 22(7), 265–284. https://doi.org/10.53660/CONJ-S33-1167

Edição

v. 22 n. 7 (2022): Especial Medicina & Saúde

Seção

Artigos

Licença

Copyright (c) 2022 Conjecturas

Creative Commons License
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.