Pesquisadores da Coppe têm artigo premiado no Fórum dos Brics

Os alunos de doutorado da Coppe/UFRJ Otto Tavares e Regina Alves foram contemplados com o melhor paper, no tema “Entrepreneurship and Development in Sharing Knowledge and Innovation”, do 2° Fórum de Pós-Graduação dos Brics, realizado em agosto na Cidade do Cabo, África do Sul. Os pesquisadores desenvolveram uma técnica inovadora para diagnóstico de para detecção de tuberculose a partir de radiografias torácicas, utilizando o paradigma de aprendizado continuado e redes generativas adversariais (GANs).

A tuberculose é a doença causada por único agente infeccioso que mais mata no mundo, superando a Covid-19, a malária e a Aids. Os países que compõem o Brics (Brasil, Rússia, Índia, China e África do Sul) são responsáveis por 49% da incidência de tuberculose no planeta e por 39% da letalidade da doença.

O projeto se alinha à meta formulada pela Organização Mundial de Saúde (OMS) de reduzir a incidência da tuberculose em 80% e sua letalidade em 90% até 2035. O Brasil, por sua vez criou o Comitê Interministerial para a Eliminação da Tuberculose e de Outras Doenças Determinadas Socialmente (CIEDS) para buscar eliminação da TB até 2030.

Radiografias torácicas são recomendadas por especialistas para o rastreio e triagem de tuberculose. A falta de radiologistas qualificados em países com elevada incidência de tuberculose faz com que a OMS recomende a interpretação automatizada das radiografias, com o uso de algoritmos de Inteligência Artificial. Mais especificamente, os chamados CAD (Computer Aided Detection, em português Detecção Assistida por Computador), software desenhado para analisar imagens radiográficas e aplicar modelos preditivos para auxiliar o diagnóstico de doenças.

O CAD desenvolvido pelos alunos da Coppe utiliza um paradigma de aprendizado contínuo que permite ao modelo aprender com dados novos, sem “esquecer” o aprendizado gerado com os dados recolhidos previamente. Isso permite minimizar falsos-positivos, uma vez que os sintomas das afecções respiratórias são semelhantes. Além disso, o modelo continuamente se adapta a novos padrões de tuberculose, aprimorando sua eficácia.

Na avaliação de Otto Tavares, “o projeto é de total interesse dos Brics, ainda que cada país tenha um sistema próprio de saúde e de coleta de dados de saúde pública, pois o modelo pode introduzir bases novas, aprender com elas, sem perder o aprendizado obtido”.

“O nosso modelo tem como base de dados de tuberculose um acervo de 662 imagens de radiografias torácicas de um hospital chinês. Utilizando técnicas de aprendizado profundo, o modelo aprende a replicar distribuição de probabilidades. O que gera imagens sintéticas a partir de imagens reais. Essas imagens sintéticas são introduzidas ao treinamento do classificador de aprendizado continuado para melhor ajustar sua alta quantidade de parâmetros” explica o aluno do Programa de Engenharia Elétrica.

Considerando que aprendizado profundo requer grandes bases de dados, Regina e Otto desenvolveram uma Generative Adversarial Network (GAN – rede adversária generativa) para produzir imagens sintéticas, aumentar os conjuntos de dados coletados e enriquecer o processo de treinamento do algoritmo.

O estudo utilizou o algoritmo Learning without Forgetting (Lwf), uma rede neural convolucional (CNN) que preserva o aprendizado das tarefas desempenhadas sem a necessidade de armazenar os dados correspondente.

Conforme explica Regina Alves, o algoritmo escolhido é um classificador, foi treinado para tuberculose e pneumonia. “É um modelo de aprendizado continuado, que pode ser aperfeiçoado com o tempo. O aprendizado de máquina convencional precisa aprender de novo para ser atualizado, é como se a cada aprendizado ele sobrescrevesse o que aprendeu, como se desse um reset.”

“O trabalho que desenvolvemos poderia, no futuro, ser inserido na cadeia de tratamento, tanto para tuberculose latente, que afeta 23% da população mundial, quanto para tuberculose ativa, embora neste trabalho específico tenhamos abordado a tuberculose ativa. Mas, precisamos expor o modelo a mais bases de dados e ter um processo maior de validação. Organizar questões de reprodutibilidade, ir ganhando maturidade”, pondera a aluna do Programa de Engenharia Biomédica.

O artigo “An innovative artificial intelligence approach for fighting against tuberculosis” foi escrito em coautoria com os professores José Manoel de Seixas e Frederico Jandre orientadores de Otto e Regina, respectivamente, e a professora Anete Trajman, da Faculdade de Medicina da Uerj.

O trabalho teve financiamento da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (Capes), apoio da Fundação Carlos Chagas Filho de Amparo à Pesquisa do Estado do Rio de Janeiro (Faperj) e do Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq). Os dados disponibilizados na pesquisa foram cedidos pela National Library of Medicine, dos National Institutes of Health (NIH), dos Estados Unidos, e pelo Shenzhen No.3 People’s Hospital, da Guangdong Medical College, da China.