Com machine learning, o equipamento aprende a fazer exames de ressonância magnética a partir de um quarto dos dados usuais
Novo estudo, realizado por pesquisadores do Facebook e da Universidade de Nova Iorque (NYU), sugere que a Inteligência Artificial pode minimizar a angústia dos exames de ressonância magnética (RM), tornando-os mais rápidos. A partir do machine learning, a tecnologia conseguiria “prever” os resultados da ressonância com um quarto dos dados de entrada usuais. Os pacientes entrariam e sairiam do tubo claustrofóbico quatro vezes mais rápido.
O estudo foi enviado para publicação na revista científica American Journal of Roentgenology nesta terça-feira (18).
O projeto colaborativo entre a equipe de pesquisa de IA do Facebook (FAIR) e radiologistas da NYU Langone Health é chamado fastMRI. De acordo com o The Verge, juntos, os cientistas treinaram um modelo de machine learning em pares de exames de ressonância magnética de baixa e alta resolução, usando esse modelo para “prever” como serão os exames finais com apenas um quarto dos dados de entrada usuais.
Os pesquisadores afirmam que o exame mais rápido permitiria que as ressonâncias magnéticas fossem realizadas para mais pessoas. Além disso, seu uso poderia ser expandido, potencialmente permitindo que, em alguns casos, os médicos usassem ressonâncias magnéticas no lugar de raios-X e tomografias.
“Isso é particularmente emocionante porque, ao contrário dessas outras formas de varreduras, as ressonâncias magnéticas não usam radiação ionizante”, diz comunicado publicado no blog do Facebook IA.
Os pesquisadores explicam no post que as ressonâncias magnéticas padrão pegam a sequência de dados do espaço-k coletados pelo scanner e, em seguida, usam uma técnica matemática para gerar as imagens. Enquanto o FastMRI é alimentado com uma quantidade muito mais limitada de dados do espaço-K, em um modelo de IA que foi treinado para criar uma imagem correspondente à realidade.
“A rede neural deve ser capaz de preencher as lacunas na varredura de dados de maneira eficaz e confiável sem sacrificar a precisão. Embora as técnicas de visão computacional anteriores em outros domínios tenham conseguido gerar imagens verossímeis, o modelo fastMRI deve pegar dados incompletos e gerar uma imagem que pareça plausível e corresponda com precisão à verdade fundamental. Alguns pixels ausentes ou modelados incorretamente podem significar a diferença entre uma varredura totalmente limpa e uma em que os radiologistas encontram um ligamento rompido ou um possível tumor”, contam.
“A rede neural conhece a estrutura geral da imagem médica”, disse Dan Sodickson, Professor de Radiologia da NYU Langone Health, ao The Verge. “De certa forma, o que estamos fazendo é preencher o que é único sobre o [exame] desse paciente específico com base nos dados”.
Para testar a eficiência da pesquisa, os radiologistas analisaram os mesmos diagnósticos em imagens de ressonância acelerada e padrão, e não conseguiram distinguir quais imagens foram produzidas com IA e quais vieram dos exames tradicionais. Todos os examinadores classificaram as imagens geradas por IA como de melhor qualidade do que os exames tradicionais, segundo o novo estudo.
“A palavra-chave em que a confiança pode ser baseada é intercambialidade”, diz Sodickson. “Não estamos considerando algumas métricas quantitativas com base na qualidade da imagem. Estamos dizendo que os radiologistas fazem os mesmos diagnósticos. Eles encontram os mesmos problemas. Eles não perdem nada”.
Embora os modelos de machine learning sejam usados com frequência para criar dados de alta resolução a partir de entrada de baixa resolução, esse processo pode frequentemente apresentar erros, aponta publicação do The Verge. Entretanto, a equipe fastMRI, diz que isso não é um problema para o método.
Segundo a reportagem, o modelo de machine learning adivinha a aparência de uma digitalização final com todas as peças de que necessita, mas com uma resolução inferior. Além disso, os cientistas criaram um sistema de verificação para a rede neural baseado na física dos exames de ressonância magnética.
Isso significa que, em intervalos regulares durante a criação de uma varredura, o sistema de IA verifica se seus dados de saída correspondem ao que é fisicamente possível para uma máquina de ressonância magnética produzir, diz o site.
“Não permitimos apenas que a rede crie qualquer imagem arbitrária”, diz Sodickson. “Exigimos que qualquer imagem gerada através do processo deva ser fisicamente realizável como uma imagem de ressonância magnética. Estamos limitando o espaço de busca, de certa forma, garantindo que tudo seja consistente com a física da ressonância magnética”.
A equipe da fastMRI está confiante de que em poucos anos poderão levar a tecnologia para hospitais e clínicas. Os dados de treinamento e o modelo que eles criaram têm acesso totalmente aberto e podem ser incorporados aos leitores de ressonância magnética existentes sem novo hardware.
Sodickson diz que os pesquisadores já estão em negociações com as empresas que produzem esses scanners.
