AppendiGrade: An XAI-Enhanced Deep Learning Framework for Grading Appendicitis in Ultrasound with Gaussian Blur and Grad-CAM

No mundo da medicina, a dor súbita e aguda da apendicite é uma emergência comum que exige ação rápida. Se o apêndice inflamado romper, pode levar a complicações fatais, tornando o diagnóstico precoce e preciso fundamental. Embora os médicos dependam há muito tempo de ferramentas de imagem para ver o interior do corpo, a ultrassonografia destaca-se como um método particularmente valioso porque utiliza ondas sonoras em vez de radiação, tornando-a mais segura e acessível para os pacientes. No entanto, observar essas imagens nem sempre é algo simples. Distinguir entre um caso simples de inflamação e uma situação mais perigosa, como um apêndice rompido ou um foco de infecção, requer um olhar altamente treinado e pode ser demorado. É aqui que a intersecção entre a medicina e a ciência da computação oferece um novo caminho a seguir, utilizando a inteligência artificial para ajudar os médicos a enxergar o que poderia passar despercebido.

Uma equipe de pesquisadores partiu com o objetivo de construir um sistema de computador capaz de ler essas imagens de ultrassom e identificar automaticamente o tipo específico de apendicite presente. Eles focaram em cinco categorias distintas: um apêndice normal e saudável; inflamação aguda; um apêndice perfurado, onde um orifício se formou; um abscesso, que é um acúmulo de pus; e um apendicolito, um depósito duro, semelhante a uma pedra, dentro do órgão. Para ensinar seu computador, a equipe reuniu uma grande coleção de 4.679 imagens de ultrassom, cada uma cuidadosamente rotulada por um médico certificado para garantir que o computador estivesse aprendendo com informações corretas. Eles começaram alimentando essas imagens brutas em quatro modelos de computador pré-existentes, que são como cérebros digitais projetados para reconhecer padrões. Inicialmente, os resultados foram decepcionantes. Os modelos tiveram dificuldade em compreender as imagens, alcançando uma precisão de apenas cerca de 69 por cento, o que significa que eles estavam errados mais de um terço das vezes. As imagens continham muito ruído visual e careciam do contraste claro necessário para o computador distinguir entre os diferentes tipos de inflamação.

Percebendo que os dados brutos eram o gargalo, os pesquisadores decidiram limpar as imagens antes de mostrá-las ao computador. Eles aplicaram um processo que primeiro suavizou o ruído granulado, de forma muito semelhante a desfocar uma fotografia para remover pontos de distração, e depois realçou as bordas para fazer com que os limites dos órgãos se destacassem claramente. Eles também ajustaram as configurações internas dos modelos de computador, refinando o quanto o sistema aprendia com cada novo exemplo. Essa combinação de limpeza das imagens e ajuste das configurações da máquina transformou os resultados. O sistema que teve o melhor desempenho, um modelo conhecido como InceptionV3, viu sua precisão saltar dramaticamente de 69 por cento para 95,58 por cento. Ele tornou-se altamente confiável, identificando corretamente a condição em quase todos os casos testados.

Os pesquisadores não pararam apenas em obter a resposta certa; eles queriam entender como o computador chegou à sua conclusão. Para fazer isso, utilizaram uma técnica que cria um mapa visual, destacando as áreas específicas da imagem de ultrassom nas quais o computador se concentrou para tomar sua decisão. Quando observaram esses mapas, viram que o computador estava, de fato, olhando para as partes corretas do corpo, como o apêndice inflamado ou o fluido circundante, em vez de adivinhar com base em padrões aleatórios. Essa transparência é crucial, pois permite que um médico humano verifique rapidamente se o computador está olhando para as coisas certas. O estudo descobriu que, embora outros modelos tivessem um bom desempenho, este modelo em particular foi o mais consistente e confiável, mostrando que, com a preparação adequada dos dados, a inteligência artificial pode se tornar uma ferramenta poderosa para distinguir entre as sutis diferenças nas emergências abdominais. O trabalho sugere que tais sistemas poderiam, um dia, auxiliar profissionais médicos ao destacar áreas de preocupação em exames de ultrassom, oferecendo uma segunda opinião que é rápida, consistente e fundamentada na evidência visual da própria imagem.