Um estudo publicado na revista JAMA em 23 de agosto de 2023 destacou avanços significativos na compreensão e tratamento da Escoliose Idiopática do Adolescente (EIA). A EIA é uma deformidade espinhal tridimensional prevalente entre os jovens, e representa um risco considerável de complicações durante o crescimento puberal, desde a redução da qualidade de vida até comprometimentos pulmonares.
Embora lugares como Hong Kong, onde o estudo foi desenvolvido, já possuam programas de rastreio escolar, a pandemia da COVID-19 ressaltou a necessidade de monitorar a EIA além do contexto hospitalar. Até então, a avaliação precisa da doença dependia de exames radiográficos contínuos, expondo os pacientes a radiações repetidas e suscitando preocupações quanto à segurança deste método.
O cenário, contudo, pode estar em transformação, com a evolução da Inteligência Artificial, particularmente através do "Deep Learning". A plataforma AlignProCARE, objeto central deste estudo, é uma exemplificação do potencial dessas técnicas avançadas. O "Deep Learning" é uma subcategoria do aprendizado de máquina que simula a maneira como o cérebro humano funciona através de redes neurais artificiais. Essa abordagem permite que máquinas "aprendam" a partir de vastos volumes de dados, aprimorando sua precisão ao longo do tempo sem a necessidade de programação específica para cada tarefa. A plataforma portanto, foi utilizada para analisar e interpretar dados, demonstrando a aplicação prática e relevância desse avanço tecnológico no contexto da pesquisa sobre Escoliose Idiopática do Adolescente.
A plataforma AlignProCARE utilizou o "deep learning" para analisar e interpretar fotos de smartphones, visando diagnosticar a Escoliose Idiopática do Adolescente. Durante um período de dois anos (2018-2020), 1780 participantes forneceram dados que auxiliaram no treinamento deste sistema, capacitando-o a identificar e classificar a doença com precisão.
As imagens das costas dos participantes foram voluntariamente tiradas por seus responsáveis usando smartphones, com um aplicativo que oferecia um protocolo específico para a aquisição da foto. Posteriormente, estas imagens foram pareadas com radiografias anônimas obtidas do sistema hospitalar. Dois especialistas em coluna, com mais de 20 anos de experiência em gestão de Escoliose Idiopática do Adolescente, forneceram anotações precisas baseadas nas radiografias coronais.
Utilizando-se de redes neurais convolucionais multicamadas com mecanismos de atenção e estratégias multi-tarefa, o modelo foi treinado com 1429 imagens e depois testado prospectivamente com um conjunto de 378 imagens, que não foi usado em nenhuma etapa anterior. A explicabilidade das decisões do modelo foi aprimorada através do algoritmo Score-CAM, produzindo um mapa de calor interpretável.
O treinamento em "deep learning" envolve o ajuste dos parâmetros das redes neurais até que o modelo possa realizar predições acertadas, como foi o caso da AlignProCARE. Posteriormente, a eficácia deste método inovador foi avaliada em 378 pacientes de maneira prospectiva.
Os resultados desta pesquisa apontam para um futuro promissor: a plataforma não só alcançou como, em certos momentos, superou a precisão de especialistas ao classificar a gravidade e o tipo de curva da escoliose. Portanto, este estudo sugere um novo horizonte para o diagnóstico da EIA, onde tecnologias digitais podem se tornar instrumentos essenciais, especialmente em cenários onde as avaliações tradicionais são limitadas.
Se desejar aprofundar-se nas técnicas empregadas neste estudo, disponibilizamos o link para acesso à pesquisa na íntegra.
Leia também:
Referência:
Zhang T, Zhu C, Zhao Y, et al. Deep Learning Model to Classify and Monitor Idiopathic Scoliosis in Adolescents Using a Single Smartphone Photograph. JAMA Netw Open. 2023;6(8):e2330617. doi:10.1001/jamanetworkopen.2023.30617