Como o desempenho de redes neurais convolucionais se compara ao de radiologistas na detecção de hemorragia intracraniana em tomografia computadorizada de crânio sem contraste?
Resposta curta: Em revisão sistemática com meta-análise, as redes neurais convolucionais apresentaram sensibilidade e especificidade agrupadas elevadas e desempenho diagnóstico equivalente ao dos radiologistas nos estudos retrospectivos. Ao combinar estudos retrospectivos com validação externa, o desempenho foi ligeiramente inferior, reforçando a necessidade de validação externa robusta.
Resposta
A revisão sistemática comparou a acurácia diagnóstica de redes neurais convolucionais com a de radiologistas, tomada como padrão de referência, na identificação de hemorragia intracraniana em tomografia computadorizada do crânio sem contraste. A busca abrangeu quatro bases de dados e um período definido, com critérios que exigiam pacientes com e sem a condição-alvo e algoritmos de aprendizado profundo baseados em redes neurais convolucionais.
Dos registros identificados, poucos estudos chegaram à meta-análise. Nos estudos retrospectivos, a sensibilidade agrupada foi de 96,00% (IC 95%: 93,00% a 97,00%), a especificidade agrupada de 97,00% (IC 95%: 90,00% a 99,00%) e a curva SROC de 98,00% (IC 95%: 97,00% a 99,00%).
Ao combinar estudos retrospectivos com estudos que usaram conjuntos de dados externos, a sensibilidade agrupada foi de 95,00% (IC 95%: 91,00% a 97,00%), a especificidade de 96,00% (IC 95%: 91,00% a 98,00%) e a SROC de 98,00% (IC 95%: 97,00% a 99,00%).
A conclusão dos autores é que o desempenho diagnóstico das redes neurais convolucionais é equivalente ao dos radiologistas nos estudos retrospectivos, mas ligeiramente inferior quando se agregam estudos de validação externa. O resumo destaca a necessidade crítica de estudos com padrão de referência robusto e validação em conjuntos de dados externos.
O que o estudo mostrou
Trata-se de revisão sistemática com meta-análise que buscou estudos em quatro bases de dados, de 1 de janeiro de 2012 a 20 de julho de 2020. Foram identificados 5.119 registros; após triagem por título, 47 estudos foram avaliados em texto completo e 6 entraram na meta-análise. Nos estudos retrospectivos, a sensibilidade agrupada foi de 96,00%, a especificidade de 97,00% e a SROC de 98,00%. Combinando retrospectivos e conjuntos externos, a sensibilidade foi de 95,00%, a especificidade de 96,00% e a SROC de 98,00%.
Limitações
O resumo não informa o número total de pacientes nem detalhes sobre o desenho individual dos estudos incluídos. A meta-análise reuniu apenas 6 estudos, e os próprios autores apontam a necessidade crítica de estudos com padrão de referência robusto e validação em conjuntos de dados externos, indicando que a evidência disponível é limitada nesse aspecto.
Aplicação no consultório
Para o médico que avalia incorporar ferramentas de apoio diagnóstico em tomografia, os achados sugerem desempenho comparável ao do radiologista em cenários retrospectivos, mas não substituem a leitura especializada nem dispensam validação local. Na gestão do consultório, isso implica tratar tais sistemas como apoio, verificar se há validação externa e manter fluxo de revisão por radiologista antes de decisões clínicas.
Estudo citado
Convolutional neural network performance compared to radiologists in detecting intracranial hemorrhage from brain computed tomography: A systematic review and meta-analysis. European journal of radiology, 2022.
Autores: Daugaard Jørgensen M, Antulov R, Hess S, Lysdahlgaard S.
DOI: 10.1016/j.ejrad.2021.110073 · PubMed: PMID 34847397
Perguntas para aprofundar
- Qual é a acurácia de redes neurais convolucionais na detecção de hemorragia intracraniana em tomografia sem contraste?
- A validação externa altera o desempenho de algoritmos de aprendizado profundo na prática clínica?
- Como interpretar sensibilidade e especificidade agrupadas de modelos de inteligência artificial em radiologia?
Mais sobre Regulação e validação clínica de IA
- Modelos de inteligência artificial são comparáveis a radiologistas na detecção de câncer de próstata clinicamente significativo em mpMRI?
- A inteligência artificial aplicada à ressonância magnética detecta com confiabilidade a presença, mas não a localização, das lesões meniscais?
- Modelos de inteligência artificial e aprendizado de máquina são confiáveis para prever falha no tratamento da tuberculose?
- O aprendizado profundo melhora de fato a qualidade objetiva da imagem em tomografia computadorizada de feixe cônico dentomaxilofacial?
- Modelos de inteligência artificial conseguem detectar fraturas radiculares verticais com boa acurácia diagnóstica?
Todas as perguntas sobre Regulação e validação clínica de IA · Todos os temas · Versão em markdown