Rede Neural Convolucional para apoio no diagnóstico clínico de alterações biomecânicas da coluna lombar
Nenhuma Miniatura disponível
Data
2025-04-03
Autores
Título da Revista
ISSN da Revista
Título de Volume
Editora
Editor Literário
Resumo
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.
Descrição
Dissertação (Mestrado) - Programa de Pós-Graduação em Tecnologias da Informação e Gestão em Saúde, Fundação Universidade Federal de Ciências da Saúde de Porto Alegre.
Palavras-chave
Aprendizagem Profunda, Diagnóstico por Imagem, Espondilolistese, Deslocamento do Disco Intervertebral, Revisão de Escopo, [en] Deep Learning, [en] Diagnostic Imaging, [en] Spondylolisthesis, [en] Intervertebral Disc Displacement, [en] Scoping Review