Trabalhos 
Científicos

8 a 12 de outubro
100% online


TRABALHO ORIGINAL

INTELIGÊNCIA ARTIFICIAL, GESTÃO E INOVAÇÃO

IA01

ARTIFICIAL INTELLIGENCE ASSISTANCE IN DIAGNOSING INCIDENTAL PULMONARY EMBOLISM

DI MUZIO, BRUNO (ALFRED HEALTH)
YEH, SABRINA (ALFRED HEALTH)
RATNAKANTHAN, PRASANNA (ALFRED HEALTH)
ZIA, ADIL (ALFRED HEALTH)
KAVNOUDIAS, HELEN (ALFRED HEALTH)
Pulmonary embolism (PE) is the third most common cause of cardiovascular death worldwide. Although computed tomography pulmonary angiography (CTPA) has […]

Pulmonary embolism (PE) is the third most common cause of cardiovascular death worldwide. Although computed tomography pulmonary angiography (CTPA) has become the gold standard in confirming the diagnosis of PE, incidental PE is often detected in other routine CT scans that image the chest with a prevalence between 1.1-3.6%.
There has been substantial progress made in deep learning algorithms that can learn feature representations from large datasets and do not require prior explicit definitions. Integration of these algorithms within the imaging workflow can increase triaging efficiency, reduce interpreting errors, and minimise the radiologists’ workload and fatigue.
The aim of this study is to evaluate the performance of an FDA-approved, deep convolutional neural network based AI tool for the detection of incidental PE in routine contrast-enhanced CT (CECT) studies of the chest in our institution for a period prior to its implementation. A total of 612 CECT examinations including the thorax were performed between November and December 2019: 119 CTPAs and 493 CT Chest.
Upon the reviewing radiologist’s second read, 22 of the 612 exams were PE-positive and 590 were PE-negative. The prevalence of PE in the sample was 3.6%. Fifteen PE were identified on CTPA exams and 7 were identified on other CECT exams (incidental PE). The algorithm flagged 36 studies as PE-positive and 576 as PE-negative with 14 false positive (FP) cases, had a specificity of 97%, a sensitivity of 82%, a PPV of 50%, and a NPV of 99%. It also detected 6 of the 7 incidental PE, 4 of which were not documented in the radiology report; however, 63% of the flagging in those non-dedicated CTPA studies were FPs compared to only 20% on dedicated CTPAs.
In the last decades, there have been concerns regarding the overdiagnosis of pulmonary embolism while mortality rates remain unchanged. Overdiagnosis refers mostly to cases of small peripheral embolisms, for which, if no treatment is offered, are unlikely to cause more harm than if anticoagulation therapy is started. Added to that, on the hands of an inexperienced radiologist, flagged false positives scans can contribute toward this trend.
The implementation of a sensitive screening AI tool increases the accuracy of radiology reports and impacts on patients' clinical management. Although this invariably leads to overdiagnosis, the long term clinical implication is still to be determined.

TRABALHO ORIGINAL

INTELIGÊNCIA ARTIFICIAL, GESTÃO E INOVAÇÃO

IA02

ANÁLISE DE CARACTERÍSTICAS ESTATÍSTICAS E APRENDIZADO DE MÁQUINAS APLICADOS A DIFERENCIAÇÃO DE CÂNCER EM REGIÕES PROSTÁTICAS

COTINGUIBA SILVA, LETÍCIA (INSTITUTO DE BIOCIÊNCIAS DE BOTUCATU - UNESP)
FELIPE FATTORI ALVES, ALLAN (HOSPITAL DAS CLÍNICAS DE BOTUCATU - UNESP)
AUGUSTO SANTANA DE SOUZA, SÉRGIO (INSTITUTO DE BIOCIÊNCIAS DE BOTUCATU - UNESP)
ALEXIA CAMARGO GUASSU, RAISSA (INSTITUTO DE BIOCIÊNCIAS DE BOTUCATU - UNESP)
ALVES OLIVEIRA, ABNER (INSTITUTO DE BIOCIÊNCIAS DE BOTUCATU - UNESP)
RODRIGUES DE PINA, DIANA (FACULDADE DE MEDICINA DE BOTUCATU - UNESP)
Introdução: A Ressonância Magnética Multiparamétrica (RMM) é a modalidade de imagem mais adequada para visualização da anatomia e para avaliação […]

Introdução: A Ressonância Magnética Multiparamétrica (RMM) é a modalidade de imagem mais adequada para visualização da anatomia e para avaliação de risco de câncer de próstata. Vários estudos mostram a capacidade da análise de características estatísticas e do aprendizado de máquinas na tentativa de melhorar ainda mais a predição deste câncer. Objetivo: Este estudo tem como objetivo desenvolver um método para diferenciar regiões da próstata de pacientes acometidos pelo câncer usando análises multivariadas através de características estatísticas extraídas das imagens. Casuística e Metodologia: Um algoritmo desenvolvido na plataforma MATLAB, foi utilizado para a extração de 40 características estatísticas das imagens de RMM. O banco de dados foi composto por 15 pacientes do sexo masculino, com diagnóstico confirmado de câncer. As regiões da próstata correspondentes as lesões tumorais, e as zonas periféricas, foram demarcadas por um radiologista especializado. Posteriormente foram demarcadas as mesmas regiões nos cortes distais, localizados a uma distância de 6mm a frente do corte central. Assim, as imagens foram subdivididas em 4 grupos, conforme as regiões da próstata: Grupo 1 (G1), sendo composto pelos cortes centrais, cuja região de interesee (ROI) para a extração das caracteristicas é colocada exatamente sobre o tumor, Grupo 2 (G2), sendo os mesmos cortes centrais utilizados no grupo G1, com a ROI posicionada na região periférica da próstata, Grupo 3 (G3), sendo composto pelas imagens distais, com a ROI posicionada na região onde era localizada a lesão no corte central do grupo G1 e Grupo 4 (G4), composto pelas imagens distais, com a ROI pocisionada na região da a periferia localizada no grupo G2. Assim, aplicamos o método de aprendizado de máquinas com os seguintes classificadores: K-Nearest Neighbor (kNN), Random Forest (RF), Suporte Vector Machine (SVM) e Naive Bayes (NB). Resultados: Os resultados a seguir foram apresentados em função da acurácia de classificação. As análises foram: G1xG2, cujo classificador RF obteve 82,8% de diferenciação, demonstrando que a região acometida pela lesão apresenta características estatisticas que a diferem de sua adjacência e G3xG4 onde o classificador NB obteve 68,8%, significando que em slices distais, a diferenciação da região da lesão e de sua periferia diminui consideravelmente, indicando um comportamento espacial do tumor.

TRABALHO ORIGINAL

INTELIGÊNCIA ARTIFICIAL, GESTÃO E INOVAÇÃO

IA03

TÉCNICAS DE PROCESSAMENTO DE IMAGENS APLICADAS A EXAMES DIAGNÓSTICOS EM PACIENTES COM DERRAMES PLEURAIS

FELIPE FATTORI ALVES, ALLAN (HOSPITAL DAS CLÍNICAS DE BOTUCATU - UNESP)
ALEXIA CAMARGO GUASSU, RAISSA (INSTITUTO DE BIOCIÊNCIAS DE BOTUCATU - UNESP)
COTINGUIBA SILVA, LETÍCIA (INSTITUTO DE BIOCIÊNCIAS DE BOTUCATU - UNESP)
AUGUSTO SANTANA DE SOUZA, SÉRGIO (INSTITUTO DE BIOCIÊNCIAS DE BOTUCATU - UNESP)
LOPES RUIZ JUNIOR, RAUL (FACULDADE DE MEDICINA DE BOTUCATU - UNESP)
RODRIGUES DE PINA, DIANA (FACULDADE DE MEDICINA DE BOTUCATU - UNESP)
Introdução: Derrames pleurais correspondem ao acúmulo anormal de líquido entre o espaço pleural e estão associados a doenças inflamatórios, neoplásicas, […]

Introdução: Derrames pleurais correspondem ao acúmulo anormal de líquido entre o espaço pleural e estão associados a doenças inflamatórios, neoplásicas, entre outras. A tomografia computadorizada (TC) é o principal método de imagem para diagnóstico deste acometimento. E acaba sendo a ferramenta de decisão de radiologistas que precede procedimentos invasivos. Objetivo: Foi diferenciar e classificar exames de TC de pacientes com derrames pleurais em três diferentes grupos. Para isso foram utilizadas técnicas de processamento de imagens como análise de características estatísticas e aprendizado de máquina. Um algoritmo na plataforma Matlab, foi construído afim de diferenciar e classificar as alterações pleurais entre os três grupos. Casuística e Metodologia: Foram utilizados 32 exames retrospectivo de TC com uso de contraste. Incluímos pacientes com derrame pleural submetidos a algum procedimento de biópsia, sendo que o exame anatomopatológico, foi utilizado como padrão ouro para a confirmação do diagnóstico. Os exames foram divididos em três grupos: Verdadeiro Positivo (VP), pacientes com exame citopatológico do líquido e biópsia da pleura positivos, Verdadeiro Negativo (VN), pacientes com exame citopatológico do líquido e biópsia da pleura negativos e Falso Negativo (FN), pacientes com exame citopatológico do líquido negativo e biópsia da pleura positiva. O algoritmo permitiu a extração de 62 características estatísticas das regiões de interesse (ROIs) dentro da área de derrame pleural. O corte tomográfico escolhido para extração foi o que apresentou a maior área afetada, sendo utilizado para a disposição das ROIs por dois especialistas em radiologia. Posteriormente, implementamos o método de aprendizado de máquinas para classificação dos grupos. Os métodos utilizados foram: Support Vector Machine (SVM), Naive Bayes, Random Forest e K-Near Neighbors (KNN). Resultados: Os resultados foram expressos em função da área sob a curva ROC, do melhor classificador para cada operador e cada análise. Para o primeiro operador, foram obtidos os seguintes resultados: VPxVN (RANDOM FOREST), 80,8%; VPxFN (RANDOM FOREST), 90,5% e VNxFN (NAIVE BAYES), 73%. Para o segundo observador, foram obtidos: VPxVN (SVM), 88%; VPxFN (SVM), 90% e VNxFN (SVM), 75%. Conclusão: O método aplicado apresenta uma variabilidade de 4,35% entre os observadores, mas de maneira geral, os classificadores mostraram-se adequados para a diferenciação, principalmente entre os grupos VP e FN.

ENSAIO ICONOGRÁFICO

INTELIGÊNCIA ARTIFICIAL, GESTÃO E INOVAÇÃO

IA04

FOCO NO PACIENTE

MENDES JUNIOR, CAIRO ADRIANE (USP)
Medicina centrada no paciente sempre é foco de debate das especialidades médicas. Na radiologia os exames também são realizados de […]

Medicina centrada no paciente sempre é foco de debate das especialidades médicas. Na radiologia os exames também são realizados de forma única, direcionadas para a queixa do paciente. Um exame de tomografia tem seus tempos de aquisição e indicação ou não do meio de contraste dependendo do que se quer observar, um achado pode ter relevância ou não se for estável ou novo ou se o paciente já realizou um tratamento ou não. Todas essas são informações que nos auxiliam na realização e interpretação dos exames. Mas geralmente são os achados do exame e não o paciente em si que vemos. É o tumor de cólon e não o senhor João que lidamos diariamente. Uma das poucas oportunidades que temos de lidar com o senhor João é participando de reuniões multidisciplinares ou na hora da realização do exame em si, seja realizando uma ultrassonografia, seja orientando as fases de aquisição do exame axial.
Este trabalho tem por objetivo expor uma coletânea de fotografias de pacientes que receberam atendimento com a realização de ultrassonografias, trazendo o paciente para primeiro plano para levantar o questionamento sobre o lugar que colocamos o paciente na prática diária.
Durante a realização de um breve trabalho voluntário em um barco hospital pelo rio Amazonas foram realizados exames ultrassonográficos em 160 pacientes que após a realização dos exames assinaram um termo de consentimento livre e esclarecido permitindo o registro de sua fotografia.
É muito provável que a inteligência artificial reconheça os padrões de imagem e consiga chegar em alguns diagnósticos, mas algo que ela nunca irá substituir é a relação médico-paciente.

TRABALHO ORIGINAL

INTELIGÊNCIA ARTIFICIAL, GESTÃO E INOVAÇÃO

IA05

ANÁLISE DE TEXTURA: NOVA ABORDAGEM DE DIFERENCIAÇÃO DE TUMORES CEREBRAIS PRIMÁRIOS E SECUNDÁRIOS EM RESSONÂNCIA MAGNÉTICA

AUGUSTO SANTANA DE SOUZA, SÉRGIO (INSTITUTO DE BIOCIÊNCIAS DE BOTUCATU - UNESP)
ALEXIA CAMARGO GUASSU, RAISSA (INSTITUTO DE BIOCIÊNCIAS DE BOTUCATU - UNESP)
REIS, FABIANO (FACULDADE DE CIÊNCIAS MÉDICAS - UNICAMP)
FELIPE FATTORI ALVES, ALLAN (HOSPITAL DAS CLÍNICAS DE BOTUCATU - UNESP)
LOCCI NOGUEIRA DOS SANTOS, ALEXANDRE (INSTITUTO DE BIOCIÊNCIAS DE BOTUCATU - UNESP)
RODRIGUES DE PINA, DIANA (FACULDADE DE MEDICINA DE BOTUCATU - UNESP)
Introdução: A diferenciação de tumores cerebrais constitui um grande desafio diagnóstico, geralmente, só podendo ser alcançado a partir de uma […]

Introdução: A diferenciação de tumores cerebrais constitui um grande desafio diagnóstico, geralmente, só podendo ser alcançado a partir de uma estereotaxia cerebral, que apresenta risco de mortalidade. O Aprendizado de Máquina (AM) aplicado a imagens biomédicas por meio de Análise de Textura (AT) tem sido amplamente utilizada na medicina diagnóstica para diferenciação de lesões, sendo menos invasivo. Objetivo: Propomos um método de extração de texturas e AM para diferenciação de tumores cerebrais primários e secundários. Métodos: Exames retrospectivos de ressonância magnética (RM) do encéfalo de 96 pacientes entre 2018 e 2020 foram divididos em dois grupos: tumores primários (38), idade média 42,73 anos ± 12,64, composto por astrocitomas, oligodendromas e meduloblastomas, e tumores secundários (58), idade média 56,36 anos ± 10,32, composto de esôfago, fígado e trato biliar, mama, pulmão e outros. Critérios de inclusão: Pacientes com diagnóstico de tumor confirmado por análise histopatológica. Critérios de exclusão: cirurgia antes da aquisição de imagens, lesões menores que 10mm, malformações intracranianas e contraindicação ao uso de contraste venoso. Utilizamos sequências T1 e T1 pós contraste venoso. Um operador inseriu as Regiões de Interesse (ROIs) de 10 x 10 pixels em regiões previamente segmentadas por um radiologista experiente, dentro do tumor, respeitando uma distância de pelo menos 0,5 mm das bordas. Para cada ROI, extraímos uma seleção de 40 características estatísticas, incluindo as de primeira ordem (desvio padrão, entropia, skewness e kurtosis) e segunda ordem (Gray Level Run-Length - GLRL e Wavelet's Transform) que foram utilizadas para classificar as lesões. Aplicamos três diferentes métodos de AM: Naive Bayes, Support Vector Machine (SVM) e Stochastic Gradient Descent (SGD). Utilizou-se 70% dos dados para treinamento e 30% para teste, com método de validação cruzada F10-fold. Utilizamos a área sob a curva ROC (AUC) para determinar a eficiência do modelo. Resultados: Os resultados de AUC, em porcentagem, da diferenciação para T1 utilizando SGD, SVM e NB são 89.1, 95.2 e 93.9, respectivamente e para T1 com contraste utilizando SGD, SVM e NB, os valores de AUC são 94.6, 92.3, 76.7, respectivamente. Conclusão: O método é rápido e apresenta uma classificação confiável para investigação de lesões tumorais. As aplicações deste trabalho são valiosas e significativas na rotina clínica, auxiliando nas decisões clínicas dos radiologistas.

TRABALHO ORIGINAL

INTELIGÊNCIA ARTIFICIAL, GESTÃO E INOVAÇÃO

IA06

FROM CT IMAGING TO 3D PRINTING - AN INVESTIGATION ON SOFTWARE SURFACE MODELING CHANGES FOR 3D PRINTING IN CRANIOFACIAL BONES

GIULIANI SCHMITT, LUIZA (UNIVERSIDADE FEDERAL DE SANTA MARIA)
RODRIGUES MOSTARDEIRO, THOMAZ (UTSW)
CORDEIRO, PEDRO HENRIQUE (UNIVERSIDADE FEDERAL DE SANTA MARIA)
PEREIRA HAYGERT, CARLOS JESUS (UNIVERSIDADE FEDERAL DE SANTA MARIA)
NOGARA DOTTO, GUSTAVO (UNIVERSIDADE FEDERAL DE SANTA MARIA)
Introduction and Purpose: Before converting digital CT imaging into a real object, surface remodeling through a software is required. This […]

Introduction and Purpose: Before converting digital CT imaging into a real object, surface remodeling through a software is required. This investigation aims to describe if surface remodelling used for 3D-printing induces significant volumetric and surface area changes in craniofacial bones.
Methods and Materials: All patients undergoing craniofacial surgery planning with 3D printing in our institution within the last 2 years were included. Data for 3D printing was acquired with CT imaging in 10 patients. Initially, CT DICOM (Digital Imaging and Communications in Medicine) files were converted to the STL (Stereolithography) format with Horos (4.0). The STL data underwent surface remodelling with the Meshmixer (3.5) software by using one of the following three tools: reduce, remesh or smooth. An STL file with each of the three features was sent to Netfab (7.4) for repair previously to 3D printing. Finally, volumetric and surface remodelling after Netfab repair was computed for each Meshmixer tool individually compared with the original STL file without Meshmixer remodelling. The comparisons between each tool and the original STL files were made through a Friedman ANOVA test and a Nemeyni posthoc analysis.
Results: Software surface remodeling tools generated statistically significant (p < 0.01) volumetric and surface area (p < 0.01) loss. Post-hoc analysis evidenced that smooth and remesh tools were associated with more important volumetric and surface area distortions (p < 0.01 for each). Conclusions: Although software surface remodeling tools are thought to facilitate 3D Printing, their use could be associated with volumetric and surface area loss in the printed object. Craniofacial surgery planning demands very precise volumetric and area estimations for the printed object. Given the findings of our investigation, the use of software surface remodeling tools should be weighted carefully.

TRABALHO ORIGINAL

INTELIGÊNCIA ARTIFICIAL, GESTÃO E INOVAÇÃO

IA07

ANÁLISE DE TEXTURA: NOVA ABORDAGEM DE DIFERENCIAÇÃO DE TUMORES CEREBRAIS PRIMÁRIOS E SECUNDÁRIOS EM RESSONÂNCIA MAGNÉTICA

AUGUSTO SANTANA DE SOUZA, SÉRGIO (INSTITUTO DE BIOCIÊNCIAS DE BOTUCATU - UNESP)
ALEXIA CAMARGO GUASSU, RAISSA (INSTITUTO DE BIOCIÊNCIAS DE BOTUCATU - UNESP)
REIS, FABIANO (FACULDADE DE CIÊNCIAS MÉDICAS - UNICAMP)
FELIPE FATTORI ALVES, ALLAN (HOSPITAL DAS CLÍNICAS DE BOTUCATU - UNESP)
LOCCI NOGUEIRA DOS SANTOS, ALEXANDRE (INSTITUTO DE BIOCIÊNCIAS DE BOTUCATU - UNESP)
RODRIGUES DE PINA, DIANA (HOSPITAL DAS CLÍNICAS DE BOTUCATU - UNESP)
Introdução: A diferenciação de tumores cerebrais constitui um grande desafio diagnóstico, geralmente, só podendo ser alcançado a partir de uma […]

Introdução: A diferenciação de tumores cerebrais constitui um grande desafio diagnóstico, geralmente, só podendo ser alcançado a partir de uma estereotaxia cerebral, que apresenta risco de mortalidade. O Aprendizado de Máquina (AM) aplicado a imagens biomédicas por meio de Análise de Textura (AT) tem sido amplamente utilizada na medicina diagnóstica para diferenciação de lesões, sendo menos invasivo. Objetivo: Propomos um método de extração de texturas e AM para diferenciação de tumores cerebrais primários e secundários. Métodos: Exames retrospectivos de ressonância magnética (RM) do encéfalo de 96 pacientes entre 2018 e 2020 foram divididos em dois grupos: tumores primários (38), idade média 42,73 anos ± 12,64, composto por astrocitomas, oligodendromas e meduloblastomas, e tumores secundários (58), idade média 56,36 anos ± 10,32, composto de esôfago, fígado e trato biliar, mama, pulmão e outros. Critérios de inclusão: Pacientes com diagnóstico de tumor confirmado por análise histopatológica. Critérios de exclusão: cirurgia antes da aquisição de imagens, lesões menores que 10mm, malformações intracranianas e contraindicação ao uso de contraste venoso. Utilizamos sequências T1 e T1 pós contraste venoso. Um operador inseriu as Regiões de Interesse (ROIs) de 10 x 10 pixels em regiões previamente segmentadas por um radiologista experiente, dentro do tumor, respeitando uma distância de pelo menos 0,5 mm das bordas. Para cada ROI, extraímos uma seleção de 40 características estatísticas, incluindo as de primeira ordem (desvio padrão, entropia, skewness e kurtosis) e segunda ordem (Gray Level Run-Length - GLRL e Wavelet's Transform) que foram utilizadas para classificar as lesões. Aplicamos três diferentes métodos de AM: Naive Bayes, Support Vector Machine (SVM) e Stochastic Gradient Descent (SGD). Utilizou-se 70% dos dados para treinamento e 30% para teste, com método de validação cruzada F10-fold. Utilizamos a área sob a curva ROC (AUC) para determinar a eficiência do modelo. Resultados: Os resultados de AUC, em porcentagem, da diferenciação para T1 utilizando SGD, SVM e NB são 89.1, 95.2 e 93.9, respectivamente e para T1 com contraste utilizando SGD, SVM e NB, os valores de AUC são 94.6, 92.3, 76.7, respectivamente. Conclusão: O método é rápido e apresenta uma classificação confiável para investigação de lesões tumorais. As aplicações deste trabalho são valiosas e significativas na rotina clínica, auxiliando nas decisões clínicas dos radiologistas.

TRABALHO ORIGINAL

INTELIGÊNCIA ARTIFICIAL, GESTÃO E INOVAÇÃO

IA08

ANÁLISE DE CARACTERÍSTICAS ESTATÍSTICAS E APRENDIZADO DE MÁQUINAS APLICADOS A DIFERENCIAÇÃO DE CÂNCER EM REGIÕES PROSTÁTICAS.

COTINGUIBA SILVA, LETÍCIA (INSTITUTO DE BIOCIÊNCIAS DE BOTUCATU - UNESP)
FELIPE FATTORI ALVES, ALLAN (HOSPITAL DAS CLÍNICAS DE BOTUCATU - UNESP)
AUGUSTO SANTANA DE SOUZA, SÉRGIO (INSTITUTO DE BIOCIÊNCIAS DE BOTUCATU - UNESP)
ALEXIA CAMARGO GUASSU, RAISSA (INSTITUTO DE BIOCIÊNCIAS DE BOTUCATU - UNESP)
ALVES OLIVEIRA, ABNER (INSTITUTO DE BIOCIÊNCIAS DE BOTUCATU - UNESP)
RODRIGUES DE PINA, DIANA (FACULDADE DE MEDICINA DE BOTUCATU - UNESP)
Introdução: A Ressonância Magnética Multiparamétrica (RMM) é a modalidade de imagem mais adequada para visualização da anatomia e para avaliação […]

Introdução: A Ressonância Magnética Multiparamétrica (RMM) é a modalidade de imagem mais adequada para visualização da anatomia e para avaliação de risco de câncer de próstata. Vários estudos mostram a capacidade da análise de características estatísticas e do aprendizado de máquinas na tentativa de melhorar ainda mais a predição deste câncer. Objetivo: Este estudo tem como objetivo desenvolver um método para diferenciar regiões da próstata de pacientes acometidos pelo câncer usando análises multivariadas através de características estatísticas extraídas das imagens. Casuística e Metodologia: Um algoritmo desenvolvido na plataforma MATLAB, foi utilizado para a extração de 40 características estatísticas das imagens de RMM. O banco de dados foi composto por 15 pacientes do sexo masculino, com diagnóstico confirmado de câncer. As regiões da próstata correspondentes as lesões tumorais, e as zonas periféricas, foram demarcadas por um radiologista especializado. Posteriormente foram demarcadas as mesmas regiões nos cortes distais, localizados a uma distância de 6mm a frente do corte central. Assim, as imagens foram subdivididas em 4 grupos, conforme as regiões da próstata: Grupo 1 (G1), sendo composto pelos cortes centrais, cuja região de interesee (ROI) para a extração das caracteristicas é colocada exatamente sobre o tumor, Grupo 2 (G2), sendo os mesmos cortes centrais utilizados no grupo G1, com a ROI posicionada na região periférica da próstata, Grupo 3 (G3), sendo composto pelas imagens distais, com a ROI posicionada na região onde era localizada a lesão no corte central do grupo G1 e Grupo 4 (G4), composto pelas imagens distais, com a ROI pocisionada na região da a periferia localizada no grupo G2. Assim, aplicamos o método de aprendizado de máquinas com os seguintes classificadores: K-Nearest Neighbor (kNN), Random Forest (RF), Suporte Vector Machine (SVM) e Naive Bayes (NB). Resultados: Os resultados a seguir foram apresentados em função da acurácia de classificação. As análises foram: G1xG2, cujo classificador RF obteve 82,8% de diferenciação, demonstrando que a região acometida pela lesão apresenta características estatisticas que a diferem de sua adjacência e G3xG4 onde o classificador NB obteve 68,8%, significando que em slices distais, a diferenciação da região da lesão e de sua periferia diminui consideravelmente, indicando um comportamento espacial do tumor.

TRABALHO ORIGINAL

INTELIGÊNCIA ARTIFICIAL, GESTÃO E INOVAÇÃO

IA09

TÉCNICAS DE PROCESSAMENTO DE IMAGENS APLICADAS A EXAMES DIAGNÓSTICOS EM PACIENTES COM DERRAMES PLEURAIS.

FELIPE FATTORI ALVES, ALLAN (HOSPITAL DAS CLÍNICAS DE BOTUCATU - UNESP)
ALEXIA CAMARGO GUASSU, RAISSA (INSTITUTO DE BIOCIÊNCIAS DE BOTUCATU - UNESP)
COTINGUIBA SILVA, LETÍCIA (INSTITUTO DE BIOCIÊNCIAS DE BOTUCATU - UNESP)
AUGUSTO SANTANA DE SOUZA, SÉRGIO (INSTITUTO DE BIOCIÊNCIAS DE BOTUCATU - UNESP)
LOPES RUIZ JUNIOR, RAUL (FACULDADE DE MEDICINA DE BOTUCATU - UNESP)
RODRIGUES DE PINA, DIANA (FACULDADE DE MEDICINA DE BOTUCATU - UNESP)
Introdução: Derrames pleurais correspondem ao acúmulo anormal de líquido entre o espaço pleural e estão associados a doenças inflamatórios, neoplásicas, […]

Introdução: Derrames pleurais correspondem ao acúmulo anormal de líquido entre o espaço pleural e estão associados a doenças inflamatórios, neoplásicas, entre outras. A tomografia computadorizada (TC) é o principal método de imagem para diagnóstico deste acometimento. E acaba sendo a ferramenta de decisão de radiologistas que precede procedimentos invasivos. Objetivo: Foi diferenciar e classificar exames de TC de pacientes com derrames pleurais em três diferentes grupos. Para isso foram utilizadas técnicas de processamento de imagens como análise de características estatísticas e aprendizado de máquina. Um algoritmo na plataforma Matlab, foi construído afim de diferenciar e classificar as alterações pleurais entre os três grupos. Casuística e Metodologia: Foram utilizados 32 exames retrospectivo de TC com uso de contraste. Incluímos pacientes com derrame pleural submetidos a algum procedimento de biópsia, sendo que o exame anatomopatológico, foi utilizado como padrão ouro para a confirmação do diagnóstico. Os exames foram divididos em três grupos: Verdadeiro Positivo (VP), pacientes com exame citopatológico do líquido e biópsia da pleura positivos, Verdadeiro Negativo (VN), pacientes com exame citopatológico do líquido e biópsia da pleura negativos e Falso Negativo (FN), pacientes com exame citopatológico do líquido negativo e biópsia da pleura positiva. O algoritmo permitiu a extração de 62 características estatísticas das regiões de interesse (ROIs) dentro da área de derrame pleural. O corte tomográfico escolhido para extração foi o que apresentou a maior área afetada, sendo utilizado para a disposição das ROIs por dois especialistas em radiologia. Posteriormente, implementamos o método de aprendizado de máquinas para classificação dos grupos. Os métodos utilizados foram: Support Vector Machine (SVM), Naive Bayes, Random Forest e K-Near Neighbors (KNN). Resultados: Os resultados foram expressos em função da área sob a curva ROC, do melhor classificador para cada operador e cada análise. Para o primeiro operador, foram obtidos os seguintes resultados: VPxVN (RANDOM FOREST), 80,8%; VPxFN (RANDOM FOREST), 90,5% e VNxFN (NAIVE BAYES), 73%. Para o segundo observador, foram obtidos: VPxVN (SVM), 88%; VPxFN (SVM), 90% e VNxFN (SVM), 75%. Conclusão: O método aplicado apresenta uma variabilidade de 4,35% entre os observadores, mas de maneira geral, os classificadores mostraram-se adequados para a diferenciação, principalmente entre os grupos VP e FN.

ENSAIO ICONOGRÁFICO

INTELIGÊNCIA ARTIFICIAL, GESTÃO E INOVAÇÃO

IA10

O PAPEL DO RADIOLOGISTA NO DESENVOLVIMENTO DA INTELIGÊNCIA ARTIFICIAL: UMA ABORDAGEM PRÁTICA.

BASTOS, DAVID CAETANO (HOSPITAL ISRAELITA ALBERT EINSTEIN)
OLIVEIRA JUNIOR, GENIVAL VIANA DE (HOSPITAL ISRAELITA ALBERT EINSTEIN)
LEE, HENRIQUE MIN HO (HOSPITAL ISRAELITA ALBERT EINSTEIN)
REIS, EDUARDO PONTES (HOSPITAL ISRAELITA ALBERT EINSTEIN)
NASCIMENTO, FELIPE BARJUD PEREIRA DO (HOSPITAL ISRAELITA ALBERT EINSTEIN)
A inteligência artificial (IA) apresenta suas primeiras menções datadas em 1956, realizadas em uma conferência em Dartmouth College, NH – […]

A inteligência artificial (IA) apresenta suas primeiras menções datadas em 1956, realizadas em uma conferência em Dartmouth College, NH – USA. Esse termo cunhado por John McCarthy, considerado o pai da IA, que a definiu como “the science and engineering of making intelligent machines”, ou seja, a ciência e engenharia capazes de desenvolver máquinas inteligentes, cuja finalidade seria executar tarefas previamente realizadas com a necessidade da inteligência humana. Dentro desse universo da IA, um modelo de algoritmo é denominado aprendizagem de máquina, e o seu funcionamento é baseado na apresentação de exemplos para um algoritmo, de forma que ele consiga extrair padrões que lhe permita desempenhar aquela função pré-estabelecida.
Atualmente a utilização de ferramentas baseadas em modelos de aprendizagem de máquina na medicina é uma realidade, principalmente no campo da medicina diagnóstica exemplificados pela automatização de tarefas, como detecção de lesões, melhorias no fluxo de trabalho através de priorizações de exames e redução dos riscos para paciente associados a realização de exames. Entretanto desafios inerentes ao desenvolvimento e avaliação desses softwares tornam-se evidentes, sendo uma das maiores dificuldades a criação de um conjunto de dados (dataset) adequado.
Na direção oposta a esse desafio, a formulação de estratégias para o desenvolvimento do dataset, como por exemplo a criação de um processo formado por etapas bem definidas, tais como aprovação ética, aquisição, armazenamento, anonimização, controle de qualidade e estruturação dos dados, pode minimizá-lo.
Além do conhecimento dos problemas relacionados a cada uma dessas etapas do processo de construção do dataset adequado, é importante que o médico radiologista ou outro profissional da saúde que tenha interesse em trabalhar com esses algoritmos, compreenda todo o ambiente que abrange essas ferramentas de IA, os conceitos utilizados permitindo uma boa comunicação junto a equipe de desenvolvedores e cientistas de dados, bem como as implicações legais associadas.

TRABALHO ORIGINAL

INTELIGÊNCIA ARTIFICIAL, GESTÃO E INOVAÇÃO

IA11

O PAPEL DA RECONSTRUÇÃO AVANÇADA EM 3D COMO UMA FERRAMENTA PARA VISUALIZAÇÃO DE MODELOS ANATÔMICOS E PLANEJAMENTO CIRÚRGICO.

GUENKA, HENRIQUE (CASA DE SAÚDE SÃO JOSÉ)
GOTTLIEB, ILAN (CASA DE SAÚDE SÃO JOSÉ)
VALLE, PAULO (CASA DE SAÚDE SÃO JOSÉ)
BRITES, LARISSA (CASA DE SAÚDE SÃO JOSÉ)
SACRAMENTO, THATIANA (CASA DE SAÚDE SÃO JOSÉ)
DUARTE, ALLYNE (CASA DE SAÚDE SÃO JOSÉ)
O desenvolvimento apropriado das reconstruções e segmentação dos algoritmos de imagem tem como alvo aumentar a precisão das estruturas anatômicas, […]

O desenvolvimento apropriado das reconstruções e segmentação dos algoritmos de imagem tem como alvo aumentar a precisão das estruturas anatômicas, bem como a localização das patologias através da reconstrução 3d.
Esse novo algoritmo de reconstrução fornece uma renderização volumétrica (VR) que é fotorrealística e oferece noção de profundidade e iluminação através destas aplicações de renderização.
Os dados volumétricos adquiridos pela tomografia computadorizada e ressonância magnética são segmentados e depois pós processados com auxílio dos softwares em código aberto (open source) para aplicar texturas customizáveis e iluminação, criando um modelo 3D que replica a estrutura real. As imagens em 3D podem ser manipuladas e customizadas em tempo real para mostrar os detalhes anatômicos de diversos ângulos e perspectivas.
A técnica de reconstrução avançada 3D ajuda no processo de entendimento e localização das patologias quando comparado com as imagens em 2D, sendo possível produzir réplicas exatas do órgão em questão. Os modelos impressos em 3D auxiliam no planejamento cirúrgico e reduzem o tempo de cirurgia, bem como o tempo do planejamento pré cirúrgico e consequentemente diminuindo a probabilidade de complicações pós cirúrgicas, levando opaciente a uma recuperação mais rápida. Com essa ferramenta é possível reproduzir a patologia e a anatomia do paciente específico, em contrapartida o tempo de criação desse protótipo, que inclui a impressão e o pós processamento dos dados que pode levar no mínimo 30 horas, dependendo da tecnologia e das dimensões do objeto impresso. Quanto mais próximo da realidade, mais demorado é o processo.

TRABALHO ORIGINAL

INTELIGÊNCIA ARTIFICIAL, GESTÃO E INOVAÇÃO

IA12

UMA INTRODUÇÃO AO PROCESSAMENTO DE LÍNGUA NATURAL E SUA APLICABILIDADE NA RADIOLOGIA

SANTIN, LISLIE GABRIELA (HOSPITAL ISRAELITA ALBERT EINSTEIN)
LEE, HENRIQUE MIN HO ()
BASTOS, DAVID CAETANO ()
CARDOSO, ELLISON FERNANDO ()
LEDERMAN, NATHAN ()
GAZZOLA, MURILO GLEYSON ()
O Processamento de Língua Natural (PLN) é uma vertente da Inteligência Artificial que ajuda computadores a interpretar a linguagem humana. […]

O Processamento de Língua Natural (PLN) é uma vertente da Inteligência Artificial que ajuda computadores a interpretar a linguagem humana. Para tanto, o processo é complexo e exige um conhecimento sistematizado básico, transformando um dado não estruturado, como um laudo radiológico, em um dado possível de ser interpretado pela máquina. Para isso, antes da criação de um corpus é necessária uma fase de coleta e pré-processamento, quando será realizada a segmentação dos laudos e a inclusão para um ambiente adequado de anotação para os radiologistas (por exemplo: INCEpTION, WebAnno e Brat). Nesta fase os dados são concentrados e é possível realizar tanto a anotação envolvendo a classificação do laudo, como também, anotação semântica por meio do uso do léxico apropriado como RadLex. Após a anotação, é avaliado por meio de uma métrica estatística a concordância dos anotadores para mensurar a complexidade da tarefa. Procede-se, então, a fase de Curation que terá como resultado um laudo radiológico anotado e curado. Após, é iniciada uma fase de processamento pós-anotação para criação e preparação dos dados para a fase de modelagem. Nesta, usa-se a aprendizagem de máquina tradicional e extração de features ou uso de Deep Learning. A implementação depende, porém, da avaliação de desempenho do modelo de classificação e do modelo de Reconhecimento de Entidades Nomeadas. Na radiologia o PLN pode ser usado em aplicações diversas como para detecção de achados críticos e assistência na tomada de conduta.

TRABALHO ORIGINAL

INTELIGÊNCIA ARTIFICIAL, GESTÃO E INOVAÇÃO

IA13

ARTIFICIAL INTELLIGENCE SOFTWARE AS DIAGNOSTIC SUPPORT TOOL IN EMERGENCY ROOM CHEST RADIOGRAPHS

ALMEIDA, MARIA FERNANDA ARRUDA (INSTITUTO PREVENT SENIOR)
BARBOSA, PAULA NICOLE VIEIRA PINTO (INSTITUTO PREVENT SENIOR)
OLIVEIRA FILHO, EDIVALDO NERY (INSTITUTO PREVENT SENIOR)
CASTELLO, FABIANO (INSTITUTO PREVENT SENIOR)
MACHADO, FABRÍCIO PRÓSPERO (INSTITUTO PREVENT SENIOR)
This study aims to show cases where an Artificial Intelligence software (Lunit Insight CRX) was used as a diagnostic support […]

This study aims to show cases where an Artificial Intelligence software (Lunit Insight CRX) was used as a diagnostic support tool in chest X-ray examinations, to detect important thoracic or upper abdominal pathologies, which were lost in the Emergency Room assessments.
The AI solution generates the location of the abnormality detected through heat maps and add an abnormality score that reflect the probability of the detected lesion being abnormal.
The lesions studied were nodule, consolidation, pneumothorax, pneumoperitoneum, cardiomegaly, mediastinal enlargement, and atelectasis. The most frequently found radiological finding was consolidation (53,6%).
Chest radiographic examinations often provide critical information for the medical decision-making process, especially in the emergency department, but the assessment of chest x-rays is a challenging task, requiring experience. The use of AI for X-ray interpretation aims to prevent thoracic anomalies from going unnoticed and improve diagnostic accuracy.

ENSAIO ICONOGRÁFICO

INTELIGÊNCIA ARTIFICIAL, GESTÃO E INOVAÇÃO

IA14

IMPRESSÃO 3D DO ULTRASSOM OBSTÉTRICO: POR ONDE COMEÇAR?

VILELA, VINICIUS MARTINS (HOSPITAL UNIVERSITÁRIO DE BRASÍLIA)
SOARES, MAYRA VELOSO (HOSPITAL UNIVERSITÁRIO DE BRASÍLIA)
SOARES, BRUNO RITCHELY DA SILVA (HOSPITAL UNIVERSITÁRIO DE BRASÍLIA)
MENEZES, ERICO ALEXANDRO VASCONCELOS DE (HOSPITAL UNIVERSITÁRIO DE BRASÍLIA)
SASAKI, MARCUS VINICIUS BASTOS (HOSPITAL UNIVERSITÁRIO DE BRASÍLIA)
STAFÁ, AMINA MUHAMAD MOTA (HOSPITAL UNIVERSITÁRIO DE BRASÍLIA)
As tecnologias de impressão 3D possuem mais de 30 anos de patente! Na primeira década do século XXI elas assumiram […]

As tecnologias de impressão 3D possuem mais de 30 anos de patente! Na primeira década do século XXI elas assumiram um posicionamento disruptivo em decorrência das quebras de patente. Atualmente temos diferentes tipos de impressoras e de tecnologias utilizadas, sendo que a Modelagem de Deposição (FDM) e a Estereolitografia (SLA) estão extremamente popularizadas. A ultrassonografia obstétrica constitui um momento impar no acompanhamento pré-natal, porém, a sua complexidade o torna pouco compreensível para a maioria das gestantes. Nesse contexto, a ultrassonografia 3D oferece a oportunidade de melhor compreensão das imagens, aumentando a conexão afetiva da gestante, sobretudo nas pacientes com baixa acuidade visual. As imagens 3D têm sido cada vez mais incorporadas à rotina do exame obstétrico. O processo de aquisição destas imagens também é atualmente mais simples. Por conseguinte, os processos de conversão das imagens adquiridas, desde o processo de segmentação até a modelagem, e impressão em material volumétrico físico, também fora muito simplificados, com os avanços tecnológicos dos aparelhos de US e de software e hardware das impressoras 3D. A consonância de todos esses processos permitiu o acesso fácil de médicos e clínicas à impressão dos seus exames em 3D. Uma das grandes dificuldades é que a maioria dos fabricantes dos aparelhos de ultrassonografia não disponibiliza as imagens pós-processadas em arquivos volumétricos. A grande maioria permite a aquisição de fotos individuais das imagens 3D pós-processadas, ou disponibiliza a sequência em modo B que foi utilizada. O objetivo desse trabalho é ensinar como realizar a impressão 3D na dependência apenas da sequência em modo B, partindo de um fluxograma bem simples e utilizando softwares de fácil acesso e intuitivos. Foram utilizadas apenas as imagens no modo B de um exame obstétrico, de uma gestação de segundo trimestre (22 semanas) e com interface amniótica pobre, sendo uma condição mais desafiadora, para demostrar passo a passo como obter um arquivo de impressão .STL, o qual é reconhecido pela grande maioria das impressoras 3D. O fluxograma foi definido com duas opções de software para segmentação e duas para correção da malha/arquivo volumétrico, sempre um deles sendo de código aberto e multiplataforma em cada etapa. Também foram utilizados dois diferentes tipos de fatiadoras/Slicers para demonstrar a impressão do modelo com tecnologia FMD e SLA.

TRABALHO ORIGINAL

INTELIGÊNCIA ARTIFICIAL, GESTÃO E INOVAÇÃO

IA15

MONITORAMENTO EM TEMPO REAL DAS ONDAS RECORRENTES DA COVID-19 USANDO MINERAÇÃO TEXTUAL EM TC DE TÓRAX

BARBOSA, PAULA NICOLE VIEIRA PINTO (INSTITUTO PREVENT SENIOR)
ALMEIDA, MARIA FERNANDA ARRUDA (INSTITUTO PREVENT SENIOR)
OLIVEIRA FILHO, EDIVALDO NERY (INSTITUTO PREVENT SENIOR)
CASTELLO, FABIANO (INSTITUTO PREVENT SENIOR)
MACHADO, FABRICIO PROSPERO (INSTITUTO PREVENT SENIOR)
Objetivo: apresentar a mineração textual em laudos de tomografia computadorizada (TC) de tórax como ferramenta de gerenciamento do número de […]

Objetivo: apresentar a mineração textual em laudos de tomografia computadorizada (TC) de tórax como ferramenta de gerenciamento do número de casos da COVID-19 para previsão em tempo real de ondas recorrentes da doença.
Métodos: Foi realizada mineração textual contínua dos laudos de TC de tórax, trazendo para um banco de dados todos os pacientes que realizaram TC de tórax com a descrição "Protocolo COVID". Usando ferramentas de extração e transformação (consultas em bancos de dados SQL e scripts em linguagem Python) e análise de dados no Power BI®️, monitoramos continuamente os diagnósticos de COVID-19 ao longo do tempo. Ao analisar a distribuição temporal dos casos de COVID-19, alguns pontos marcantes da curva puderam ser observados.
Resultados: De 01/03/2020 a 31/07/2021, 99.322 TC de tórax foram realizadas em 63.917 pacientes. Desse total, 49.490 (38,60%) foram motivadas por suspeita clínica de pneumonia viral ("Protocolo COVID"). Os achados típicos ou indeterminados para COVID-19 foram considerados positivos e totalizaram 25.998 (52,5%) - casos positivos. Em maio de 2020, de 7.392 tomografias, 2.809 tiveram resultados positivos, esboçando o primeiro pico da onda de casos confirmados em nosso banco de monitoramento na plataforma Power BI®. Em outubro, observamos o menor somatório de TC de tórax positiva para o "Protocolo COVID", com apenas 408 casos positivos. O pico da segunda onda em nosso serviço ocorreu em março de 2021, mostrando 8.578 solicitações de TC de tórax para "Protocolo COVID", sendo observado resultado positivo em 3.600.
Conclusões: A análise em tempo real das mudanças na frequência dos casos de COVID-19 no banco de dados do Power BI®️ auxiliou na tomada de decisão, permitindo uma adaptação ativa do nosso serviço de saúde, otimizando o gerenciamento de recursos limitados. Gestores de saúde trabalharam prontamente em resposta às ondas pandêmicas para traçar estratégias para limitar ou expandir o atendimento ambulatorial, restringir procedimentos eletivos, transferir o uso de leitos reservados para pacientes COVID-19, expandir a oferta de telemedicina, evitar exposição desnecessária, monitorar o ocupação da unidade de terapia intensiva e controle adequado do material hospitalar. Os serviços de saúde podem ter uma gestão mais eficiente ao se instrumentalizar com ferramentas da medicina baseada em dados.

Patrocinadores