Inteligência artificial na classificação CO-RADS do envolvimento pulmonar da Covid-19

Abstract

O surto de COVID-19, declarado como emergência de saúde pública de interesse internacional apareceu em dezembro de 2019. O diagnóstico rápido e precoce, bem como a prevenção para controlo da doença foi um objetivo mundial. A TC torácica é uma ferramenta com valor demonstrado na deteção de alterações pulmonares da nova pneumonia por coronavírus. Por se tratar de um processo crucial para desenvolver uma estratégia terapêutica, cada vez mais estudos se têm debruçado sobre a importância da imagem na estratificação da gravidade da doença. Para este projeto de investigação foram utilizados exames de TC torácica normais e exames com suspeita de infeção por COVID-19 no sentido de desenvolver uma ferramenta rápida, precisa e automática de classificação CO-RADS, baseada no envolvimento pulmonar da COVID-19, sustentada por mecanismos de Inteligência Artificial. É notório o aumento dos estudos de investigação de análise automática ou semi-automática de imagens médicas para auxílio da tomada de decisões no ramo da medicina. Esta possibilidade, poderá ser uma mais-valia para os radiologistas que são responsáveis pela classificação CO-RADS no final de cada relatório médico. Nesse sentido, procedemos ao longo deste projeto de investigação, à integração de características imagiológicas presentes nas imagens, em modelos de aprendizagem, para a classificação CO-RADS de TCs Torácicas de pacientes com suspeita de COVID-19. O processo teve início numa recolha exaustiva e significativa de casos para criar uma base de dados satisfatória garantindo a qualidade dos dados. A amostra deste estudo contemplou 334 pacientes que realizaram TC Torácica no Centro Hospitalar Universitário de São João do Porto. Foram utilizados 975 volumes de imagens que foram importados para o modelo ResNet 18 3D, que foi devidamente adaptado para uma classificação multi-classe. Obtivemos na fase de treino e validação da rede, uma acurácia de 93% e uma sensibilidade média de 92,8% na classificação automática em 6 classes e uma acurácia média de 94% e sensibilidade de 93,6% na classificação automática de três classes. Posteriormente houve a curiosidade de utilizar a nossa rede com volumes de diferentes espessuras e constatou-se que existe sensibilidade ao protocolo utilizado. Face a estes resultados, a ferramenta criada apresenta consistência para indiciar um potencial de generalização credível.

The outbreak of COVID-19, declared as a public health emergency of international concern appeared in December 2019. Rapid and early diagnosis as well as prevention for disease control was a worldwide goal. Chest CT is a tool that has shown great importance in detecting pulmonary changes in the new coronavirus pneumonia. As this is a crucial process for developing a therapeutic strategy, more and more studies are focusing on the importance of imaging in stratifying the severity of the disease. For this research project, normal CT scans and scans with suspected COVID-19 infection were used to develop a fast, accurate and automatic CO-RADS classification tool, based on COVID-19 lung involvement, supported by Artificial Intelligence mechanisms. There has been a notable increase in research studies into the automatic or semi-automatic analysis of medical images to aid decision-making in the medical field. This possibility could be an asset for radiologists who are responsible for the CO-RADS classification at the end of each medical report. Throughout this research project, we integrated the images characteristics present in the images into learning models for the CO-RADS classification of chest CT scans of patients with suspected COVID-19. The process began with an exhaustive and significant collection of cases to create a satisfactory database guaranteeing the quality of the data. The sample for this study included 334 patients who underwent thoracic CT scans at C.H.U.S. João in Porto. We used 975 volumes of images that were imported into the ResNet18 3D model, which was duly adapted for multi-class classification. In the training and validation phase of the network, we obtained an accuracy of 93% and an average sensitivity of 92,8% in the classification of 6 classes and an average accuracy of 94% and sensitivity of 93,6% in the classification of 3 classes. Subsequently, we were curious to use our network with volumes of different thickness and found that the model is sensitive to the acquisition protocol used. Given these results, the tool created shows enough consistency, to make its generalization feasible.