O aprendizado de máquina tem o potencial de avançar muito em imagens médicas, particularmente varredura de tomografia computadorizada (TC), reduzindo a exposição à radiação e melhorando a qualidade da imagem.

Essas novas descobertas da pesquisa acabaram de ser publicadas em Nature Machine Intelligence por engenheiros do Rensselaer Polytechnic Institute e radiologistas do Massachusetts General Hospital e da Harvard Medical School.

De acordo com a equipe de pesquisa, os resultados publicados neste jornal de alto impacto são um caso forte para aproveitar o poder da inteligência artificial para melhorar as tomografias de baixa dosagem.

"A dose de radiação tem sido um problema significativo para os pacientes submetidos a tomografias computadorizadas. Nossa técnica de aprendizado de máquina é superior, ou, pelo menos, comparável, às técnicas iterativas usadas neste estudo para permitir a TC de baixa dose de radiação, "disse Ge Wang, professor titular de engenharia biomédica em Rensselaer, e um autor correspondente neste artigo. "É uma conclusão de alto nível que traz uma mensagem poderosa. É hora de o aprendizado de máquina decolar rapidamente e, esperançosamente, assumir."

As técnicas de imagem de TC de baixa dose têm sido um foco significativo nos últimos anos em um esforço para aliviar as preocupações sobre a exposição do paciente à radiação de raios-X associada a varreduras de TC amplamente utilizadas. Contudo, diminuir a radiação pode diminuir a qualidade da imagem.

Para resolver isso, engenheiros em todo o mundo desenvolveram técnicas de reconstrução iterativa para ajudar a filtrar e remover interferências de imagens de TC. O problema, Wang disse, é que esses algoritmos às vezes removem informações úteis ou alteram falsamente a imagem.

A equipe decidiu enfrentar esse desafio persistente usando uma estrutura de aprendizado de máquina. Especificamente, eles desenvolveram uma rede neural profunda dedicada e compararam seus melhores resultados com os melhores dos três principais tomógrafos comerciais que poderiam produzir com técnicas de reconstrução iterativa.

Este trabalho foi realizado em estreita colaboração com o Dr. Mannudeep Kalra, professor de radiologia do Massachusetts General Hospital e da Harvard Medical School, que também era um autor correspondente no papel.

Os pesquisadores estavam procurando determinar como o desempenho de sua abordagem de aprendizagem profunda em comparação com os algoritmos iterativos representativos selecionados atualmente sendo usados ​​clinicamente.

Vários radiologistas do Massachusetts General Hospital e da Harvard Medical School avaliaram todas as imagens de TC. Os algoritmos de aprendizagem profunda desenvolvidos pela equipe Rensselaer tiveram um bom desempenho, ou melhor do que, as técnicas iterativas atuais na grande maioria dos casos, Disse Wang.

Os pesquisadores descobriram que seu método de aprendizagem profunda também é muito mais rápido, e permite que os radiologistas ajustem as imagens de acordo com os requisitos clínicos, Dr. Kalra disse.

Esses resultados positivos foram obtidos sem acesso ao original, ou cru, dados de todos os tomógrafos. Wang apontou que, se os dados originais da TC forem disponibilizados, um algoritmo de aprendizado profundo mais especializado deve ter um desempenho ainda melhor.

"Isso tem radiologistas no circuito, "Disse Wang." Em outras palavras, isso significa que podemos integrar inteligência de máquina e inteligência humana na estrutura de aprendizado profundo, facilitando a tradução clínica. "

Ele disse que esses resultados confirmam que o aprendizado profundo pode ajudar a produzir mais segurança, imagens de TC mais precisas ao mesmo tempo em que funcionam mais rapidamente do que algoritmos iterativos.

"Estamos empolgados em mostrar à comunidade que os métodos de aprendizado de máquina são potencialmente melhores do que os métodos tradicionais, "Disse Wang." Isso envia um forte sinal à comunidade científica. Devíamos optar pelo aprendizado de máquina. "

Esta pesquisa da equipe de Wang está entre os avanços significativos consistentemente feitos por professores do Centro de Imagens Biomédicas do Centro de Biotecnologia e Estudos Interdisciplinares (CBIS) em Rensselaer.

"O trabalho do professor Wang é um excelente exemplo de como os avanços na inteligência artificial, e o aprendizado profundo e de máquina pode melhorar as ferramentas e práticas biomédicas, abordando problemas difíceis - neste caso, ajudando a fornecer imagens de TC de alta qualidade usando uma dose de radiação mais baixa. Desenvolvimentos transformativos dessas equipes colaborativas levarão a uma medicina mais precisa e personalizada, "disse Deepak Vashishth, diretor do CBIS.