Título: Suporte para Diagnóstico de COVID-19 por Meio de Classificação Automática de Imagens de Raio-x e Modelos Explicáveis
Autores: Bruno Oliveira, Hugo Ziviani, Juscelino Oliveira, Alan Viegas and Daniel Calvo.
Resumo:
O combate contra a pandemia causada pela COVID-19 é atualmente um dos maiores desafios enfrentados pela humanidade. Um fator chave que tende a desacelerar a disseminação do vírus é o diagnóstico rápido e o isolamento dos pacientes infectados. Pesquisadores em todo mundo vêm buscando formas alternativas ao exame PCR-RT para o diagnóstico da doença, e o aprendizado profundo aplicado às radiografias de tórax de pacientes suspeitos tem mostrado resultados favoráveis. A falta de dados de qualidade e o elevado número de modelos enviesados tornam as soluções propostas um problema. Dessa forma, o presente trabalho apresenta um sistema de diagnóstico automático de COVID-19 por meio de imagens de raio-x, com o objetivo de auxiliar a tomada de decisão do médico. Foi feito um amplo estudo para a seleção de conjuntos de imagens de qualidade de forma que a solução não ficasse enviesada. Para a aplicação, primeiro os pulmões são segmentados pelo método U-Net para que, em seguida, a imagem seja classificada por um conjunto de modelos treinados para uma classificação binária. Por fim, os resultados são explicados de forma a auxiliar o médico em sua tomada de decisão. Os resultados obtidos com uma taxa de assertividade em 92% mostram que a solução proposta é promissora. Estes resultados indicam que a capacidade do modelo em avaliar os pacientes infectados por COVID-19 pode ser usada no gerenciamento de recursos referentes ao atendimento em hospitais e postos de saúde, bem como auxiliar gestores públicos na tomada de decisões relativas à restrição de atividades para promover o isolamento social.
Palavras-chave:
Aprendizado Profundo, COVID-19, Diagnóstico, Imagens Médicas, Radiografia de Tórax.
Páginas: 8
Código DOI: 10.21528/CBIC2021-14
Artigo em pdf: CBIC_2021_paper_14.pdf
Arquivo BibTeX: CBIC_2021_14.bib