Detalhes bibliográficos
| Ano de defesa: |
2024 |
| Autor(a) principal: |
Rocha, Bruno Aragão |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Tese
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Biblioteca Digitais de Teses e Dissertações da USP
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://www.teses.usp.br/teses/disponiveis/5/5151/tde-25022025-140523/
|
Resumo: |
Introdução: o carcinoma hepatocelular (CHC) é um tumor muito relevante para a saúde pública. A tomografia computadorizada (TC) de abdome com protocolo multifásico de contraste é crucial para o diagnóstico de CHC. Avanços em machine learning (ML), em especial deep learning (DL) com convolutional neural networks (CNN), tem ganhado espaço na literatura médica. Apesar desses avanços, a aplicação dessas técnicas no diagnóstico do CHC é inicial, enfrentando desafios como inconsistências nos metadados DICOM, falta de descrição precisa de fluxos de trabalho e poucos estudos de DL em TC de abdome para triagem de CHC. Objetivos: desenvolver um algoritmo de CNN para classificar automaticamente a fase do contraste em TC de abdome a partir da imagem, sem depender dos metadados DICOM. Descrever a criação e implantação de um banco de dados estruturado em um hospital universitário para armazenar exames de TC com informações clínicas e de imagem. Treinar e avaliar a acurácia de algoritmos de CNN para predizer alterações morfológicas hepáticas e a presença de CHC. Métodos: este estudo inclui três artigos. Artigo 1: estudo retrospectivo com 396 TCs de abdome (80% para treino e 20% para teste), com protocolo de contraste multifásico. Uma CNN foi treinada para classificar a fase de contraste baseada na imagem. Artigo 2: estudo descritivo qualitativo que detalha a criação e implantação de um banco de dados estruturado em um hospital universitário para armazenar exames de TC de abdome com informações relevantes para o treinamento de algoritmos de inteligência artificial. Artigo 3: estudo retrospectivo com dois experimentos. O experimento 1 envolveu 424 TCs para detecção de alterações morfológicas hepáticas e o experimento 2, 145 TCs de treino e 300 TCs de teste para triagem de CHC, usando a arquitetura de CNN YOLO V8 para detecção de nódulos na fase arterial. Resultados: Artigo 1: A CNN alcançou 94,6% de acurácia por fatia, 98% por série e 100% no exame completo para classificar a fase do contraste. Artigo 2: foi criado um banco de dados relacional integrado à infraestrutura de tecnologia da informação do hospital, com um dashboard gerencial e filtros para seleção de dados. Artigo 3: no experimento 1, a CNN teve 86,2% de precisão, 85,9% de sensibilidade e 87% de especificidade; no experimento 2, o modelo YOLO V8 apresentou 80,9% de sensibilidade, 74,9% de especificidade, 77% de precisão, 57,6% de valor preditivo positivo, 90,3% de valor preditivo negativo e 67,4% de F1 score para triagem de CHC. Discussão e Conclusão: esse compilado de artigos contribui para a evolução do conhecimento científico na aplicação de técnicas de aprendizado profundo em exames de TC de abdome com foco na triagem de CHC. O primeiro artigo mostra a viabilidade de usar CNNs para identificar a fase do exame a partir da imagem, superando inconsistências nos metadados DICOM. O segundo artigo detalha a criação de uma infraestrutura de banco de dados para treinamento de algoritmos em um hospital universitário, fornecendo subsídios para outros grupos replicarem a arquitetura. O terceiro artigo demonstra a viabilidade técnica de algoritmos de DL na triagem de alterações morfológicas hepáticas e presença de CHC no exame, embora ressalte a necessidade de dados mais diversos para aprimorar os modelos. Esses achados evidenciam o potencial dos modelos de DL para melhorar o fluxo diagnóstico e potencialmente trazer benefícios ao cuidado dos pacientes |
