Development and evaluation of automated organ segmentation models for abdominal ultrasound in injured children

Quando uma criança chega a uma sala de emergência de um hospital após um ferimento grave, os médicos precisam saber rapidamente se há hemorragia interna. Uma das formas mais rápidas de verificar é através de uma ultrassonografia à beira do leito, um exame indolor que utiliza ondas sonoras para criar imagens em movimento do interior do corpo. No atendimento ao trauma, esse exame específico é chamado de avaliação focada com ultrassonografia para trauma. Ele envolve um médico movendo um dispositivo portátil sobre a barriga da criança para procurar por fluido nos espaços ao redor do fígado, do baço e da bexiga. Embora essa ferramenta seja vital, a qualidade do exame depende inteiramente da habilidade da pessoa que segura o dispositivo e da clareza das imagens capturadas. Às vezes, as imagens estão borradas ou o médico deixa passar algum ponto, tornando difícil ter certeza se a criança está segura. Para melhorar isso, pesquisadores estão ensinando computadores a compreender essas imagens automaticamente, mas primeiro, o computador precisa aprender como são os órgãos. Isso requer ensinar a máquina a reconhecer os limites do fígado, dos rins e de outras estruturas, uma tarefa que geralmente leva horas para um especialista humano fazer manualmente para cada uma das imagens.

Uma equipe de pesquisadores da Universidade da Califórnia, San Francisco, decidiu resolver esse problema construindo um sistema de computador capaz de encontrar e delinear automaticamente seis órgãos principais nos exames de ultrassom abdominais de crianças feridas. Eles focaram na bexiga, nos rins, no fígado, no baço, na coluna e no diafragma, o músculo que auxilia na respiração. Essas estruturas são os marcos que os médicos usam para decidir se um exame está completo e preciso. A equipe reuniu uma coleção de 200 clipes de vídeo de ultrassom de crianças que foram tratadas por ferimentos em um grande centro de trauma. Em seguida, médicos especialistas desenharam cuidadosamente os contornos de cada órgão em milhares de quadros individuais desses vídeos, criando um conjunto de exemplos de "verdade fundamental" (ground truth) dos quais o computador poderia aprender. Usando esses exemplos, os pesquisadores treinaram quatro tipos diferentes de modelos de inteligência artificial para realizar a mesma tarefa. Esses modelos variavam de designs mais simples e estabelecidos a sistemas mais novos e complexos que utilizam técnicas matemáticas avançadas para prestar atenção a diferentes partes de uma imagem ao mesmo tempo.

Os pesquisadores testaram o quão bem cada modelo de computador conseguia adivinhar os contornos corretos em comparação com os desenhos dos especialistas humanos. Eles descobriram que os computadores eram muito bons no trabalho, especialmente para os rins e a bexiga, onde as formas são distintas e fáceis de ver. Em média, os contornos do computador coincidiram com os contornos dos especialistas humanos com um alto grau de sobreposição. Um modelo específico, que combinou um design padrão com um método mais novo para focar a atenção em detalhes importantes, teve o melhor desempenho geral. Ele identificou o fígado, o baço e os rins com uma precisão notável e o fez de forma muito rápida, levando menos de um segundo para processar uma única imagem. O sistema teve um pouco mais de dificuldade com o diafragma e a coluna, que são mais finos e difíceis de visualizar claramente em imagens de ultrassom, mas mesmo para essas partes difíceis, o computador produziu resultados úteis.

Para ver se essa tecnologia funcionaria no mundo real, a equipe pegou o modelo de melhor desempenho e mostrou a ele clipes de ultrassom que nunca havia visto antes, incluindo exames tanto de crianças quanto de adultos. Quatro especialistas independentes revisaram o trabalho do computador, verificando se os contornos apareciam no lugar correto e se a qualidade da imagem era boa o suficiente para um médico confiar. Os especialistas descobriram que o computador localizou os órgãos com sucesso na grande maioria dos clipes, com taxas de sucesso variando de cerca de três quartos até quase todos os casos, dependendo do órgão. O sistema foi particularmente confiável para a bexiga e o fígado, onde alcançou pontuações próximas da perfeição no grupo de adultos e pontuações muito altas nos de crianças. Os pesquisadores observaram que, quando o computador falhava, era geralmente porque a imagem original estava muito borrada ou mal tirada, e não porque o computador estava confuso. Isso sugere que a tecnologia é robusta o suficiente para lidar com a realidade desordenada e imprevisível dos exames de emergência.

O estudo também revelou que modelos de computador maiores e mais complexos não eram necessariamente melhores. O modelo mais avançado, que havia sido treinado em um grande banco de dados de 280.000 imagens de ultrassom de outras pessoas, não teve um desempenho significativamente superior ao modelo mais simples e personalizado. Na verdade, o modelo mais simples era mais rápido e exigia menos poder de computação, tornando-o mais prático para uso em um hospital movimentado. Essa descoberta sugere que, para essa tarefa específica, a forma como o modelo é desenhado importa mais do que a quantidade de dados nos quais ele foi pré-treinado. Os pesquisadores concluíram que este sistema automatizado representa um passo significativo à frente. Ao permitir que os computadores façam o trabalho tedioso de delinear órgãos, médicos e pesquisadores podem construir conjuntos de dados maiores e melhores para treinar ferramentas futuras que possam, um dia, detectar automaticamente hemorragias ou informar a um médico se um exame é tecnicamente limitado. Embora o sistema ainda não esteja pronto para substituir o julgamento humano, ele oferece uma nova e poderosa maneira de padronizar e melhorar a qualidade do atendimento para crianças feridas.