A pandemia de COVID-19, por necessidade, acelerou o processo de inovação tecnológica no meio médico. As vacinas são um marco importante dessa tendência, mas não são o único. A DarwinAI e a Red Hat, companhias voltadas ao desenvolvimento de sistemas de inteligência artificial, em linha com essa tendência se uniram com o propósito de catalisar a implementação do COVID-Net: uma rede neural artificial que potencialmente pode dar ou excluir um diagnóstico de COVID-19 a partir de radiografias de tórax. Apesar desse exame de imagem ter baixa sensibilidade em relação ao diagnóstico de COVID-19 (variando 30 -69%), a possível aplicabilidade da tecnologia por trás dessa iniciativa faz com que o COVID-Net mereça nossa atenção.
A radiografia de tórax na pandemia do COVID-19
A radiografia, apesar das suas limitações, apresenta certas vantagens em relação a outros exames, especialmente, durante a pandemia. A instantaneidade da radiografia de tórax, por exemplo, é útil em situações nas quais não se pode aguardar pelo resultado de um PCR. A portabilidade e o fácil acesso do equipamento radiológico também são características que no atual contexto torna-se extremamente vantajosa uma vez que não há necessidade de transportar um paciente contagioso que pode estar instável para realizar o exame. É, entretanto, um impecílho que, em prol de uma avaliação mais precisa, é necessário um radiologista profissional qualificado. Surge a partir dai a oportunidade para uma ferramenta de auxílio automatizada que acelera esse processo sem perder a precisão do médico especialista.
O que é e como funciona uma rede neural artificial?
A COVID-Net nasce, portanto, a partir dessa oportunidade. É uma rede neural artificial que foi desenvolvida para a detecção de casos de COVID-19 a partir de radiografias de tórax que tem seu código aberto para o público geral. Para entender as possíveis futuras implicações dessa tecnologia é preciso primeiro compreender o que é uma rede neural artificial.
A rede neural artificial é uma subcategoria dentro do machine learning que tenta replicar a forma de processamento do cérebro humano artificialmente. Em resumo o que ocorre é que durante o período de treinamento inputs (nesse caso radiografias de tórax) são apresentados ao sistema e processados através de inúmeras camadas de neurônios conectados entre si. Eventualmente, o sistema produz um resultado que pode ou não ser o resultado correto. A máquina, entretanto, sabe o resultado correto, logo, caso o resultado produzido seja diferente do resultado certo o sistema reajusta as conexões entre os neurônios até que, através do processamento, a máquina consiga prever o resultado correto com uma precisão satisfatória.
O COVID-net e o COVIDx
O input utilizado pelos criadores para treinar o COVID-net foi uma coletânea de 13975 radiografias de tórax tiradas de 13870 pacientes, dentre eles pacientes saudáveis, pacientes com pneumonia e pacientes com COVID-19. As imagens foram disponibilizadas para o público pelos autores através de um database chamado COVIDx. Após o período de treinamento do COVID-net foi possível inferir uma sensibilidade de 91% para casos de COVID-19 o que significa que poucas pessoas que tinham a doença foram diagnosticadas como saudáveis. Além disso, o COVID-net também apresentou um valor preditivo positivo de 98.9% o que é importante uma vez que falsos positivos representam um estresse desnecessário para o paciente e para o sistema de saúde. O próximo passo para os investigadores seria tentar decifrar como o Covid-net toma suas decisões.
A princípio parece contraintuitvo tentar compreender o método depois de ter os resultados, mas os trabalhos em cima dos sistemas de rede neural artificial funcionam dessa maneira. O grupo de pesquisadores utilizam estratégias de explicabilidade para tentar decifrar como o COVID-net toma suas decisões a partir das radiografias de tórax e dessa forma ganhar conhecimento acerca dos achados imaginológicos relacionados ao COVID-19. Foi identificado que as opacidades em vidro-fosco, anormalidades bilaterais e as anormalidades intersticiais – características radiográficas associadas ao COVID-19 eram utilizadas pelo sistema para inferir um diagnóstico. Esses achados nos mostram que a forma como um sistema de rede neurais toma suas decisões é semelhante a forma como um médico formado identifica e processa os aspectos relevantes de um exame de imagem.
O COVID-Net, como ressalta os autores, esta longe de ser uma ferramenta pronta para uso imediato entretanto o valor da inovação e da transparência científica por trás dessa iniciativa é inquestionável. Os resultados obtidos pelos pesquisadores demonstra a eficiência dessa nova tecnologia e sua aplicabilidade na saúde. As limitações do COVID-net nos ensina quais tropeços e complicações devemos nos ater quando se trata de um sistema de rede neurais em desenvolvimento. Além disso, o COVIDx ressalta a importância e o valor que há em compartilhar dados científicos de forma voluntária para que o conhecimento e a inovação possa progredir exponencialmente.
A natureza, mais especificamente os vírus, possui uma maneira de se adaptar e propagar nas mais diversas condições. O SARS-CoV-2, agente etiológico da COVID-19, é um exemplar impiedoso dessa característica natural de adaptação, mas nós, seres humanos, também somos. Por meio da tecnologia e a inovação desenvolvemos as ferramentas necessárias para nos adaptar as condições que são impostas sobre nós, em outras palavras: “A necessidade é a mãe da inovação”. As soluções não são imediatas, mas as lições são duradouras. O COVID-net não será implementado tão cedo, porém isso não reduz a importância dessa iniciativa. As redes neurais se tornarão cada vez mais prevalentes no meio médico e cabe a nós aprender como utilizá-las da melhor forma.
Artigos relacionados
- Inteligência Artificial tocando as UTIs
- Inteligência artificial quebrando barreiras na saúde
- Abandonem os questionários e agulhas! - Pesquisa e diagnóstico por Smartphones
- Antibiótico para pneumonia de trato inferior nem sempre é necessário
- A revolução intestinal: microbiota, tecnologia e perspectivas do futuro
Referências
Wong HYF, Lam HYS, Fong AHT, et al. Frequency and distribution of chest radiographic findings in COVID-19 positive patients. Radiology. 2020 Mar 27.
Wang, L., Lin, Z.Q. & Wong, A. COVID-Net: a tailored deep convolutional neural network design for detection of COVID-19 cases from chest X-ray images. Sci Rep 10, 19549 (2020). https://doi.org/10.1038/s41598-020-76550-z
Ng, M.-Y. et al. Imaging profile of the COVID-19 infection: radiologic findings and literature review. Radiol. Cardiothorac. Imaging 2(1), e200034 (2020).