IA em patologia digital

Como a harmonização de imagens pode melhorar o desempenho de modelos de IA em estudos multicêntricos e multi-dispositivo?

Resposta

A revisão sistemática avaliou estratégias de harmonização de imagens em estudos multicêntricos e multi-dispositivo, com o objetivo de padronizar aparências e viabilizar análises confiáveis por IA. Foram identificadas técnicas como normalização de tons de cinza, reamostragem e normalização de cores, que demonstraram melhorias em métricas de desempenho, como acurácia de classificação, robustez de features radiômicas e AUC em testes externos.

Os resultados mostram que a harmonização pode aumentar a acurácia de classificação em até 24,42%, elevar a porcentagem de features radiômicas robustas de 59,5% para 89,25% e melhorar a AUC em até 0,25 em conjuntos de teste externos. Além disso, houve aumento de até 47% nos escores Dice de segmentação. Inicialmente predominavam métodos matemáticos e estatísticos, mas abordagens de aprendizado de máquina e profundo têm ganhado espaço.

As modalidades de imagem colorida, como patologia digital e dermatologia, permaneceram proeminentes, mas a harmonização expandiu-se para radiologia, medicina nuclear e ultrassonografia. Em todas as modalidades cobertas, a harmonização melhorou o desempenho da IA, indicando que a padronização de dados de imagem entre diferentes configurações clínicas é promissora para análises em larga escala.

Os autores concluem que o progresso contínuo em harmonização de imagens representa uma estratégia promissora para avançar a saúde, permitindo análises confiáveis de conjuntos de dados multi-fonte integrados por IA. A padronização de dados de imagem entre ambientes clínicos pode ajudar a realizar cuidados personalizados e baseados em evidências, apoiados por tecnologias orientadas por dados, enquanto mitiga vieses associados a populações ou protocolos de aquisição específicos.

O que o estudo mostrou

Revisão sistemática seguindo diretrizes PRISMA, com busca de artigos publicados entre 2013 e 2023 que analisaram estudos de imagem médica multicêntricos e multi-dispositivo com abordagens de harmonização. As técnicas comuns incluíram normalização de tons de cinza (melhoria de até 24,42% na acurácia de classificação), reamostragem (aumento da porcentagem de features radiômicas robustas de 59,5% para 89,25%) e normalização de cores (aumento de até 0,25 na AUC em testes externos). Houve também melhoria de até 47% nos escores Dice de segmentação. O resumo não informa o número de artigos incluídos nem o tamanho amostral total.

Limitações

O resumo não detalha as limitações dos estudos incluídos, nem informa o número de artigos analisados, a qualidade metodológica das publicações ou possíveis vieses de publicação. Também não são descritas comparações diretas entre técnicas ou análises de subgrupos. Essas informações são necessárias para uma avaliação mais aprofundada da robustez das conclusões.

Aplicação no consultório

Para o médico que utiliza ou pretende utilizar sistemas de apoio à decisão baseados em IA, a harmonização de imagens é relevante ao integrar dados de diferentes equipamentos ou instituições. Na prática clínica, isso pode significar maior confiabilidade de ferramentas diagnósticas e de segmentação. Na gestão do consultório, ao adquirir ou implementar soluções de IA, é importante verificar se os fornecedores consideram a harmonização de imagens para garantir desempenho consistente em diferentes cenários de aquisição.

Estudo citado

All you need is data preparation: A systematic review of image harmonization techniques in Multi-center/device studies for medical support systems. Computer methods and programs in biomedicine, 2024.
Autores: Seoni S, Shahini A, Meiburger KM, Marzola F, Rotunno G, Acharya UR, Molinari F, Salvi M.
DOI: 10.1016/j.cmpb.2024.108200 · PubMed: PMID 38677080

Perguntas para aprofundar

• Quais técnicas de harmonização de imagens são mais adequadas para cada modalidade de imagem?
• Como a harmonização de imagens pode reduzir vieses em modelos de IA aplicados à saúde?
• Qual o impacto da harmonização de imagens na generalização de modelos de IA para diferentes populações?

Mais sobre IA em patologia digital

• Como a inteligência artificial tem avançado na análise de imagens para morfologia e estadiamento do câncer de cólon?
• Modelos de inteligência artificial baseados em radiômica conseguem predizer o índice Ki-67 em meningiomas com boa acurácia?
• A inteligência artificial já permite prever quais pacientes se beneficiam de inibidores de checkpoint imune na prática clínica?
• Como a inteligência artificial tem sido aplicada no diagnóstico, tratamento e manejo perioperatório do câncer de mama, e qual a qualidade da evidência disponível?
• A inteligência artificial já consegue prever a resposta ao BCG em câncer de bexiga não músculo-invasivo com utilidade clínica?

Todas as perguntas sobre IA em patologia digital · Todos os temas · Versão em markdown