Publicação: Aprendizado de máquina aplicado ao diagnóstico por imagem para aplicação em Prick Test
Carregando...
Arquivos
Data
Autores
Orientador
Simões, Rafael Plana 
Coorientador
Pós-graduação
Pesquisa e Desenvolvimento (Biotecnologia Médica) - FMB
Curso de graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Estadual Paulista (Unesp)
Tipo
Tese de doutorado
Direito de acesso
Acesso aberto
Resumo
Resumo (português)
O Teste Cutâneo de Puntura (TCP) é utilizado para diagnosticar a sensibilização a antígenos por meio de uma resposta mediada pela Imunoglobulina E (IgE). Para tornar esse diagnóstico menos dependente da interpretação humana, o presente estudo propôs um método alternativo para inferir sobre a reação alérgica utilizando aprendizado profundo, propõem ainda o desenvolvimento de um aplicativo mobile e web para agilizar o processo do especialista, além de poder ser acessado em qualquer lugar e aplica a metodologia em um conjunto de imagens de microscópio para verificar a reprodutibilidade do método proposto em outros casos de análise e/ou diagnóstico por imagem. Um conjunto de dados com 5844 imagens de TCP foi criado e utilizado para treinar uma rede neural totalmente convolucional e inferir um modelo de segmentação da pápula (modelo de ML). O modelo inferido foi comparado a dois outros métodos: 1 - aproximação da área da pápula como um círculo com o diâmetro médio medido por um médico; e 2 - segmentação de imagem assistida (AIS), considerada o método mais preciso. A análise de Bland-Altman mostrou que a diferença entre os métodos não está correlacionada com a magnitude da área e que as estimativas produzidas por diferentes métodos podem ser relacionadas pela adição ou subtração do respectivo valor de viés. O modelo de machine learning (ML) apresentou uma precisão de segmentação de 85,82% e uma precisão de detecção de 93,55%, demonstrando uma forte correlação com o método AIS. O protocolo desenvolvido possui potencial para automatizar a interpretação da reação do TCP e ser utilizado na prática clínica no futuro, especialmente com o uso do aplicativo desenvolvido, que apresentou um desempenho aceitável.
Resumo (inglês)
The Skin Prick Test (SPT) is utilized to diagnose sensitization to antigens through an Immunoglobulin E (IgE)-mediated response. To reduce the reliance on human interpretation for this diagnosis, the present study proposes an alternative method to infer allergic reactions using deep learning. Additionally, it proposes the development of a mobile and web application to expedite the specialist's process, as well as to enable accessibility from anywhere, applying the methodology to a set of microscope images to verify the reproducibility of the proposed method in other cases of image analysis and/or diagnosis. A dataset containing 5844 SPT images was created and utilized to train a fully convolutional neural network and infer a papule segmentation model (ML model). The inferred model was compared to two other methods: 1 - approximation of the papule area as a circle with the average diameter measured by a physician; and 2 - Assisted Image Segmentation (AIS), considered the most accurate method. Bland-Altman analysis showed that the difference between the methods is not correlated with the magnitude of the area and that the estimates produced by different methods can be related by adding or subtracting the respective bias value. The machine learning (ML) model demonstrated a segmentation accuracy of 85.82% and a detection accuracy of 93.55%, showing a strong correlation with the AIS method. The developed protocol has the potential to
automate the interpretation of the TCP reaction and to be used in clinical practice in the future, particularly with the use of the developed application, which demonstrated acceptable performance.
Descrição
Palavras-chave
Aprendizado profundo, Inteligência artificial, Hipersensibilidade mediada por IgE, Diagnóstico por imageamento, Testes cutâneos
Idioma
Português
