Dados do Trabalho

TÍTULO

INTELIGENCIA ARTIFICIAL E COLONOSCOPIA POR CAPSULA: DETEÇAO AUTOMATICA DE SANGUE E OUTRAS LESOES DA MUCOSA DO COLON ATRAVES DE UMA REDE NEURAL CONVOLUCIONAL

OBJETIVO

A colonoscopia convencional é o gold standard para o diagnóstico de patologias do cólon, incluindo a doença inflamatória do intestino (DII). No entanto, esta apresenta risco de complicações, incluindo hemorragia e perfuração. A colonoscopia por cápsula endoscópica (CCE) é uma alternativa minimamente invasiva para pacientes que recusam a colonoscopia convencional ou para os quais esta está contra-indicada. No entanto, a leitura de imagens de CCE é uma morosa e propensa a erros. A deteção de sangue ou lesões da mucosa do cólon por CCE pode ser desafiante, sendo vital para um tratamento precoce e eficaz. Este estudo visa desenvolver um algoritmo de inteligência artificial baseado numa rede neural convolucional (RNC) para a deteção automática de sangue no lúmen ou outras lesões significativas da mucosa do cólon em imagens de CCE.

MÉTODO

Foram analisados um total de 124 exames de CCE (PillCam COLON 2®) realizados em dois centros de endoscopia entre 2010-2020. Destes exames, foram extraídas 9005 imagens: 3075 mostrando mucosa do cólon normal, 3115 sangue luminal e 2815 lesões da mucosa (pólipos, úlceras e erosões e angiectasias). Estas imagens foram inseridas num modelo de rede neural convolucional (RNC) com transferência de conhecimento. Dois conjuntos de imagens foram criados para treino e teste da RNC. A classificação realizada pela RNC foi comparada com a classificação de um consenso de especialistas. Subsequentemente, a performance da rede foi avaliada usando um set de teste independente.

RESULTADOS

Após otimização das diferentes camadas da RNC, o nosso modelo apresentou uma sensibilidade e especificidade de 96.3% e 98.2%, respectivamente. A RNC apresentou uma exatidão 97.6%. O VPP e o VPN foram, respectivamente, 96.4% e 98.2%. Especificamente, a rede detetou sangue no lúmen do cólon com uma sensibilidade e especificidade de 97.2% e 99.9%, respetivamente, com uma área abaixo da curva de 1.00. As diferentes lesões da mucosa foram detetadas com uma sensibilidade e especificidade de 83.7% e 96.7%, respetivamente. A área abaixo da curva é 0.99.

CONCLUSÕES

O nosso grupo desenvolveu uma RNC pioneira capaz de detetar sangue e lesões da mucosa cólica com base em imagens de CCE. Estes achados são de extrema importância, uma vez que o desenvolvimento de ferramentas automáticas que permitam a deteção destas lesões de alta relevância clínica permitirá diminuir o erro diagnóstico e o tempo despendido na avaliação destes exames.

PALAVRAS CHAVE

Colonoscopia por Cápsula Endoscópica; Inteligência Artificial; Rede Neural Convolucional; Deep Learning; Doença Inflamatória do Intestino

Área

MÉTODOS DIAGNÓSTICOS