A aplicação móvel pode ser usada por médicos em áreas remotas sem infraestrutura de centro de imagens.
Elilson Santos
Mestre em Engenharia da Computação e Sistemas pela Universidade Estadual do Maranhão (UEMA). Graduado em Sistemas de Informação pelo Instituto Federal do Maranhão (IFMA). É técnico em operações portuárias (Vale S.A). Tem experiência na área de Ciência da Computação, com ênfase em Ciência da Computação, atuando principalmente em php, visual basic, elevação do nível do mar, gerenciamento de equipamentos e modelagem de aplicações geográficas.
Investigar formas rápidas de detecção da COVID-19 que auxiliem os médicos em suas decisões é essencial para ajudar na tarefa de salvar vidas. Foi essa diretriz que levou o pesquisador Elilson Santos a iniciar a investigação do o uso de redes neurais para auxiliar no diagnóstico de doenças pulmonares, por meio da análise de imagens de radiografias.
O seu trabalho “Uma aplicação móvel flexível para classificação de imagens utilizando Deep Learning: um estudo de caso sobre doenças pulmonares” conquistou o Prêmio Fapema 2021, na categoria Dissertação de Mestrado, na área Ciências Exatas e Engenharia. A pesquisa, desenvolvida no programa de pós-graduação em Engenharia de Computação e Sistemas da Universidade Estadual do Maranhão (UEMA), contou com a orientação de Omar Andrés Carmona Cortés (IFMA) e Bruno Feres de Souza (UFMA), doutores em Ciências da Computação e Matemática Computacional.
Objetivos
O pesquisador desenvolveu uma aplicação móvel para classificar imagens utilizando redes neurais profundas através da utilização de um celular. “Trata-se de aplicação que pode se utilizada em qualquer área da medicina simplesmente mudando o modelo treinado de classificação”, explica. “A proposta se encontra no campo da chamada Medicina 4.0, que vem sendo suprida por informações por meio de dados coletados por médicos e pacientes e permite o desenvolvimento de técnicas que aceleram, inovam e prescrevem terapias e tratamentos mais acertados”, complementa.
Normalmente, redes neurais profundas, que lidam com imagens, são concebidos por muitas camadas e conexões, que se tornam computacionalmente pesados para o treinamento do princípio. A ideia do projeto é de usar conhecimento prévio para resolver problemas relacionados com uma solução chamada aprendizagem por transferência. “É um método de reutilização de um modelo ou conhecimento para outra tarefa relacionada”, pontua.
Metodologia e resultados
O início da pesquisa se deu durante o pico da pandemia quando os cientistas em todo o mundo procuravam formas de auxiliar os médicos na busca por tratamentos.
O modelo foi treinado para identificar a diferença entre os casos de COVID-19 e pneumonia viral. Para a execução do projeto, foi realizada a coleta de imagens de raio-X da região torácica de indivíduos. O pesquisador Elilson Santos testou 14 modelos de redes neurais convolucionais implementadas num dispositivo móvel, sendo que 13 obtiveram resultados satisfatórios, com métricos próximas de 100%.
A base final contabilizou 7.187 imagens e as redes neurais foram implantadas em uma aplicação para celular. Os resultados foram positivos chegando a 96% de acurácia em um modelo conhecido como VGG16. “Ele apresentou os melhores resultados em relação ao alcance de classificação com uma precisão média de 96%, um recall de 97 % e uma pontuação F1 de 96,9%”, destacou Elilson.
De acordo com mestre em Engenharia da Computação Carmona, os resultados demonstraram um caminho interessante para a obtenção de modelos capazes de inferir diagnósticos para COVID-19 e pneumonia viral a partir de imagens de raio-X. “A utilização do framework flutter permitiu à aplicação mobile trabalhar de modo off-line, com velocidade, dinamismo e conversão em múltiplas plataformas”, ressaltou. “Ou seja, as aplicações são executadas de forma rápida e suave podendo ser exportadas para qualquer modelo de dispositivo móvel, proporcionando a máxima flexibilidade do aplicativo desenvolvido”, concluiu.
