Programa de Pós-Graduação em Tecnologias da Informação e Gestão em Saúde

URI Permanente desta comunidade

https://repositorio.ufcspa.edu.br/handle/123456789/1669

Navegar

Navegando Programa de Pós-Graduação em Tecnologias da Informação e Gestão em Saúde por Assunto "[en] Scoping Review"

Agora exibindo 1 - 1 de 1
  • Nenhuma Miniatura disponível
    Item
    Rede Neural Convolucional para apoio no diagnóstico clínico de alterações biomecânicas da coluna lombar
    (2025-04-03) Silva, William Moraes da; Rech, Rafaela Soares; Cazella, Silvio César; Programa de Pós-Graduação em Tecnologias da Informação e Gestão em Saúde
    Introdução: A dor lombar é uma das principais causas de incapacidade global, frequentemente associada a patologias como espondilolistese e hérnia de disco. O diagnóstico dessas condições por meio de radiografias pode ser subjetivo e demorado, destacando a necessidade de métodos computacionais para aprimorar a acurácia e a agilidade da análise. Esta dissertação combina uma revisão de escopo sobre o uso de aprendizado profundo na análise de imagens da coluna lombar e o desenvolvimento de um modelo baseado em Redes Neurais Convolucionais (CNNs) para apoiar o diagnóstico dessas patologias. Objetivo: Mapear o que já foi publicado na literatura sobre o uso de Redes Neurais Convolucionais (CNNs) no diagnóstico de patologias biomecânicas da coluna vertebral e desenvolver um algoritmo de CNN para auxiliar nesse diagnóstico. Metodologias: A revisão de escopo foi conduzida conforme as diretrizes do PRISMA-ScR, com protocolo de pesquisa cadastrado no Open Science Framework (OSF), com buscas realizadas em oito bases de dados (Pubmed = 40, Lilacs = 37, ScienceDirect = 3, Web of Science = 8, Wiley Online Library = 67, Embase = 25, IEEE Xplore = 15, Google Acadêmico = 63), resultando inicialmente em 258 artigos. Após a remoção de duplicatas e triagem dos resumos, 29 estudos foram selecionados para leitura completa, dos quais 18 atenderam aos critérios de inclusão. O estudo experimental utilizou a base de dados BUU-LSPINE, composta por 10.616 imagens de raio-X, sendo 8.838 de indivíduos sem patologia e 1.778 com espondilolistese. Foram aplicadas técnicas de aumento de dados para equilibrar a distribuição das classes, resultando em um total de 15.950 imagens. Foram então testadas quatro arquiteturas pré-treinadas (DenseNet201, ResNet152, VGG16 e Xception), empregando validação cruzada k-fold (k=10) e avaliadas pelas métricas de acurácia, precisão, especificidade, recall, F1-score e Área Sob a Curva ROC (AUC). Essas redes foram aplicadas para três situações de conjuntos de dados: somente as imagens em projeção ântero-posterior, somente em lateral e a base completa. Resultados: Os estudos selecionados na revisão de escopo analisaram o uso de aprendizado profundo na avaliação de imagens médicas para hérnia de disco e espondilolistese, explorando diferentes abordagens, como segmentação de imagens, técnicas de aumento de dados e aprendizado por transferência. Entre os modelos desenvolvidos, a ResNet152 apresentou o melhor desempenho geral, com acurácia de 88,34%, F1-score de 85,81%, AUC de 93,40% e alta especificidade (95,75% na projeção geral, 95,16% na lateral e 95,45% na frontal), indicando uma baixa taxa de falsos positivos e boa capacidade de generalização. A DenseNet201 destacou-se pela alta precisão (97,01%) e pela maior especificidade no conjunto completo (98,12%), além de apresentar desempenho consistente entre as diferentes projeções. Em contrapartida, a arquitetura Xception apresentou dificuldades na generalização, com acurácia de 76,31% e F1-score de 70,78%, refletindo um desempenho inferior em todas as métricas avaliadas. Conclusão: Os resultados confirmam o potencial das CNNs para auxiliar no diagnóstico por imagem, oferecendo suporte à identificação de patologias biomecânicas da coluna lombar e contribuindo para a tomada de decisão clínica. A revisão de escopo evidenciou a necessidade de mais estudos aplicados a radiografias lombares, reforçando a relevância deste trabalho para a interseção entre saúde e inteligência artificial.