Depois da inteligência artificial, é chegada a vez da tecnologia deep learning ajudar o radiologista a detectar e classificar achados críticos para a melhora do fluxo de trabalho

A Saúde Digital é destaque na medicina diagnóstica por imagem, inaugurando especialidade conhecida como radiologia digital. As inovações incluem modelagem 3D, inteligência artificial e, mais recentemente, a tecnologia deep learning integrada ao sistema RIS/PACS, que, graças às redes neurais, permite um processamento aprofundado de informações relevantes, visando detectar, identificar a localização, segmentar e classificar achados radiológicos. 

Enquanto a inteligência artificial é a capacidade de a máquina executar determinada função de modo autônomo, em determinadas modalidades de imagem médicas, o deep learning é um passo além no aprendizado da máquina (machine learning) por analisar uma quantidade incrivelmente alta de camadas de informações.

“Na inteligência artificial, existem dados que tendem a apresentar padrões e características identificáveis. E todo dado bruto proposto pelo estudo da região de interesse de uma imagem médica é absorvido ao sistema com um sinal atribuído ao pixel, gerando um valor e compondo uma matriz numérica”, descreve Larisse Ramos, biomédica imagenologista e especialista em Negócios e Inovação da MV. 

Enquanto a IA ajuda a máquina a executar determinada função pré-estabelecida, de modo autônomo, o deep learning surge na medicina diagnóstica por imagens para processar um alto volume de informações e propor as melhores saídas possíveis para os achados radiológicos.

“Toda matriz numérica gerada a partir de um dado bruto é aplicada à rede neural convolucional, responsável por receber esse dado e processá-lo, o que resulta em uma saída após as decisões. Só que o processamento de toda essa informação é realizado por meio de camadas e a quantidade de camadas analisadas é justamente o que define o deep learning”, continua Larisse.

Em termos práticos, é preciso imaginar a imagem de uma determinada lesão (que pode ser bidimensional ou tridimensional). O uso de deep learning no sistema RIS/PACS atribui valores espaciais da região de interesse e, a partir de sua rede neural convolucional, desenvolve a capacidade de detectar achados radiológicos, identificando sua exata localização e classificando o risco.

Benefícios imediatos

O ganho direto no uso desse tipo de tecnologia no sistema RIS/PACS é que o paciente pode receber uma conduta clínica em tempo hábil, baseado no diagnóstico.

“Com a tecnologia deep learning, o diagnóstico passa a ser previamente sinalizado como prioridade nas demandas do radiologista por meio de uma classificação de achados críticos. Dessa forma, a rotina do médico pode ser otimizada por fluir a liberação de resultados que demandam maior atenção e cuidados”, justifica Larisse.

Otimizar o fluxo do médico radiologista por meio do sistema RIS/PACS é ponto-chave para a gestão em saúde, principalmente ao considerar às demandas do setor associadas à disponibilidade de profissionais atuantes no segmento:

“A tecnologia nesse sentido é um recurso aliado às longas jornadas de trabalho do médico radiologista.”

Além da tecnologia deep learning e do processamento por inteligência artificial para sinalizar e priorizar achados das imagens, o sistema RIS/PACS também possui um visualizador de imagens médicas web, que dispõem de recursos de organização de layout dos estudos e de séries dos exames, permitindo uma visualização complementar e comparativa do histórico de procedimentos realizados pelo paciente na instituição.

“Através do sistema, há um ferramental de manipulação e anotações, renderização e reconstrução dos estudos volumétricos, tudo para que o médico radiologista tenha acesso a melhor imagem possível ao seu diagnóstico. Além disso, todos os laudos dos resultados podem ser visualizados por meio da plataforma, com a vantagem de os estudos poderem ser extraídos em formato secundário ou Dicom”, finaliza a especialista.