Parte 2 do desafio "IA E CIÊNCIA DE DADOS PARA APOIO A DECISÃO CLÍNICA" da Hackathon 'Hackcovid19' do Centro Brasileiro de Pesquisas Físicas, tentamos demonstrar a possibilidade de usar um modelo de Deep Neural para gerar diagnósticos em radiografias de pulmão, dado o cenário onde se torna impossível usar teste rápidos ou teste laboratoriais em todos os pacientes, o uso de radiografias para diagnosticar Covid ou qualquer outra enfermidade se torna uma opção viável.
Parte 1 do projeto: https://github.com/Gremling-Machine-Learning-Study-Group/Estimativa-de-mortes-por-COVID-19-subnotificadas-no-Brasil---D051---HACKCOVID-19/blob/master/README.md
Página do projeto no Devpost: https://devpost.com/software/test_deep_covid-19#updates
Pitch para a Hackathon (Apenas vídeo): https://www.youtube.com/watch?v=8ujmJz6i4YI
A implementação de algoritmos de suporte à decisão clínica para imagens médicas enfrenta desafios com confiabilidade e interpretabilidade, estabelecemos aqui uma ferramenta de diagnóstico com base em uma estrutura de aprendizado profundo para a triagem de pacientes com doenças tratáveis como comuns, utilizando aprendizado de máquina profundo, treinamos uma rede neural com uma fração dos dados das abordagens convencionais. Demonstramos ainda a aplicabilidade geral do nosso sistema de IA para o diagnóstico de pneumonia usando imagens de raios-X do tórax. Essa ferramenta pode, em última análise, ajudar a acelerar o diagnóstico e o encaminhamento dessas condições tratáveis, facilitando assim o tratamento anterior, resultando em melhores resultados clínicos.
A inteligência artificial (IA) tem o potencial de revolucionar o diagnóstico e o gerenciamento de doenças, realizando classificações difíceis para especialistas humanos e revisando rapidamente imensas imagens. Apesar de seu potencial, a interpretabilidade clínica e a preparação viável da IA continuam sendo um desafio.
A abordagem algorítmica tradicional da análise de imagens para classificação anteriormente se baseava em:
(1) segmentação de objetos artesanais, seguida por; (2) identificação de cada objeto segmentado usando classificadores estatísticos ou classificadores de aprendizado de máquina computacionais neurais superficiais projetados especificamente para cada classe de objetos; (3) classificação da imagem.
A criação e o refinamento de vários classificadores exigiram muitas pessoas qualificadas e muito tempo e eram computacionalmente caros. O desenvolvimento de camadas de redes neurais convolucionais permitiu ganhos significativos na capacidade de classificar imagens e detectar objetos em uma imagem São várias camadas de processamento nas quais os filtros ou convoluções de análise de imagem são aplicados.
O dados foram obtidos do site Kaggle, o teste foi feito para dois datasets, um se tratando de pessoas com pneumonia e o outro de pessoas com COVID-19 e ambos os teste foi feita uma comparação binária onde tratamos de ensinar o modelo a diferenciar um pulmão saudável de um pulmão doente (pneumonia ou Covid).
Na maioria das vezes o nosso maior trabalho e na montagem do dataset, visto que esse já se encontravam prontos e com uma certa confiabilidade, o projeto se tornou mais simples.
Nosso modelo de Deep Neural se concentra em uma aplicação rápida mais robusta, onde temos uma grande confiabilidade mas ainda carecemos de mais dados para treinar o mesmo, portanto acreditamos que com o que temos já podemos concluir algo sobre e ainda dizer que podemos sim usar o mesmo para avaliar radiografias.
Nosso código está descrito no notebook python anexo neste repositório. Note que a título de comparação podemos dizer que a melhoria do mesmo está condicionada a uma melhora no dados para treino e maior tempo de treinamento.
A metodologia deste projeto é bem básica, como todo projeto de Deep Learning necessitamos de um dataset robusto é que valise nosso modelo, portanto o primeiro passo foi esse encontra datasets que atendessem minimamente a isso, após encontrá-los foi montado um workflow para descrever o processos: analise dos dados, pré-processamento,construção da rede, treino, teste e validação e como passo final uma avaliação gráfica dos modelos acerca de sua acurácia.
Resultados:
- No nosso primeiro teste com o dataset 1 tivemos uma acurácia de teste 91%.
- No segundo onde o volume de dados era menor 71%.
Maiores informações vide notebook, lá se encontrar um análise gráfica detalhando os processos de perda e acurácia. Nota : devido a limites computacionais da minha máquina não consegui rodar o modelo por mais tempo.
Portanto podemos concluir que é sim uma aplicação viável e que futuramente pode ser amplamente empregada em análises preliminares e triagem de paciente com Covid. Com a aumento na coleta de dados podemos treinar modelos melhores e diagnosticar usando técnica até mais simples por métodos de avaliação de imagens.
-
"Imagens de radiografia de tórax (Pneumonia)" https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia; (Visualizado em: 17/05/2020) (Daqui foi obtido o dataset 'Chest X-Ray Images (Pneumonia)').
-
"COVID-19 RADIOGRAPHY DATABASE" https://www.kaggle.com/tawsifurrahman/covid19-radiography-database; (Visualizado em: 17/05/2020) (Daqui foi obtido o dataset 'COVID-19 Radiography Database').
-
"Detecting COVID-19 induced Pneumonia from Chest X-rays with Transfer Learning: An implementation in Tensorflow and Keras." https://towardsdatascience.com/detecting-covid-19-induced-pneumonia-from-chest-x-rays-with-transfer-learning-an-implementation-311484e6afc1; (Visualizado em: 17/05/2020) (Inspiraço para construção deste modelo. GitHub do autor https://github.com/EXJUSTICE/).