3D Ischemic Stroke Lesion Segmentation in MRI with Attention U-Net and Voxel-Level Uncertainty Quantification

Todos os anos, milhões de pessoas ao redor do mundo sofrem um acidente vascular cerebral (AVC), uma interrupção súbita do fluxo sanguíneo para o céreão que pode levar à morte ou a uma incapacidade de longo prazo. Quando ocorre um AVC, o tempo é o fator mais crítico. Os médicos dependem da ressonância magnética, ou RM, para ver exatamente onde o dano ocorreu. Esses exames produzem imagens tridimensionais detalhadas do cérebro, permitindo que os médicos localizem o tecido lesionado, conhecido como lesão. Para tratar o paciente de forma eficaz, os médicos devem medir o tamanho e a forma dessa área danificada com precisão. No entanto, fazer isso manualmente em uma tela de computador é lento, tedioso e propenso ao erro humano, especialmente quando as áreas danificadas são minúsculas ou dispersas.

Nos últimos anos, os computadores aprenderam a fazer esse trabalho automaticamente. Usando um tipo de inteligência artificial chamada aprendizado profundo (deep learning), as máquinas agora podem escanear imagens cerebrais e destacar as áreas danificadas em segundos. Mas há um problema significativo na forma como esses computadores trabalham atualmente. Eles agem como especialistas confiantes que nunca admitem estar inseguros. Quando um computador desenha um contorno ao redor de um AVC, ele fornece uma resposta única e definitiva, sem dizer ao médico se está absolutamente certo ou apenas adivinhando. Em um ambiente médico, essa falta de honestidade é perigosa. Um médico precisa saber não apenas onde o computador acha que está o dano, mas também onde o computador está hesitante, para que possa verificar esses pontos específicos antes de tomar decisões de vida ou morte.

Uma equipe de pesquisadores da Universidade Sidi Mohamed Ben Abdellah, em Marrocos, desenvolveu uma nova maneira de corrigir isso. Eles criaram um sistema que não apenas encontra o AVC, mas também diz ao médico o nível de confiança que tem em seu próprio trabalho. A abordagem deles combina um poderoso modelo computacional projetado para ver o céreão inteiro de uma só vez com um truque inteligente que permite ao modelo "pensar" sobre a mesma imagem várias vezes de maneiras ligeiramente diferentes. Ao comparar esses diferentes pensamentos, o sistema pode mapear exatamente quais partes da imagem estão claras e quais partes são confusas. Isso permite que o computador entregue ao médico um mapa do AVC junto com um mapa separado mostrando onde o computador está incerto, transformando uma simples ferramenta automatizada em um parceiro confiável para a tomada de decisões médicas.

Os pesquisadores testaram seu novo sistema em uma grande coleção de exames cerebrais de um importante desafio internacional envolvendo centenas de pacientes de diferentes hospitais. Esses exames incluíam dois tipos específicos de imagens que são o padrão ouro para detectar AVCs agudos: uma que mostra onde o movimento da água no cérebro está bloqueado e outra que mede a facilidade com que a água pode se mover através do tecido. A equipe treinou seu computador para observar todo o volume tridimensional do céreão, em vez de apenas fatiá-lo em imagens bidimensionais planas. Isso é crucial porque os AVCs costumam ter formas complexas e irregulares que se estendem por múltiplamente camadas do cérebro, e observar o volume total ajuda o computador a entender a verdadeira estrutura da lesão.

Para tornar o sistema consciente de sua própria confiança, os pesquisadores usaram uma técnica chamada Monte Carlo Dropout. Em termos simples, isso envolve manter um pequeno interruptor ligado dentro do cérebro do computador durante a análise final. Normalmente, esse interruptor é desligado assim que o computador é treinado, mas aqui, eles o deixaram ligado. Esse interruptor desliga aleatoriamente pequenas partes do processo de pensamento do computador cada vez que ele olha para uma imagem. Como o computador vê a mesma imagem através de "lentes" ligeiramente diferentes a cada vez, ele produz uma resposta ligeiramente diferente para cada visualização. Os pesquisadores pediram ao computador para olhar cada exame cerebral vinte vezes. Ao tirar a média dessas vinte respostas diferentes, o computador criou uma imagem final, mais precisa, do AVC. Mais importante ainda, ao observar o quanto essas vinte respostas discordavam entre si, o computador pôde calcular uma pontuação de incerteza para cada ponto da imagem.

Os resultados mostraram que este método funciona em dois níveis. Primeiro, o computador tornou-se melhor em encontrar o AVC. Ao usar um tipo específico de mecanismo de atenção que ensinou o modelo a focar nas partes mais importantes da imagem e ignorar o tecido cerebral saudável, o sistema melhorou sua capacidade de detectar as áreas danificadas. Ele encontrou mais do tecido real do AVC do que os métodos anteriores, o que é vital, pois perder até mesmo um pequeno pedaço de tecido cerebral danificado pode levar a um planejamento de tratamento deficiente. O sistema alcançou uma pontuação de 0,6816 na medição de quão bem seu contorno correspondia ao dano real, o que foi o melhor resultado entre os métodos de modelo único testados neste conjunto de dados específico.

Segundo, e talvez mais importante, o sistema gerou com sucesso os mapas de incerteza. Os pesquisadores descobriram que, quando o computador estava confiante, suas vinte visualizações concordavam entre si, resultando em uma pontuação de incerteza baixa. Quando o computador estava inseguro, as vinte visualizações variavam significativamente, criando uma pontuação de incerteza alta. Essas pontuações altas apareciam exatamente onde o computador cometia erros: nas bordas nebulosas do AVC ou em lesões muito pequenas e difíceis de visualizar. O sistema sinalizou naturalmente os casos de AVCs menores e mais complexos como os casos de maior incerteza. Isso significa que, em um hospital real, um médico poderia olhar para o mapa do computador e ver imediatamente uma área brilhante de incerteza ao redor de um ponto difícil, sabendo que esse é exatamente o lugar que ele precisa examinar de perto.

O estudo também comparou seu modelo computacional único com outros sistemas que utilizam muitos modelos trabalhando juntos, conhecidos como ensembles. Embora esses grandes grupos de modelos às vezes alcançassem uma precisão ligeiramente maior, eles não forneciam nenhuma informação sobre confiança. Eles ainda eram caixas pretas que davam uma resposta única sem explicação. O novo sistema da equipe marroquina é único porque é o primeiro a fornecer um mapa de confiança detalhado, ponto a ponto, para a segmentação de AVC tridimensional neste benchmark. Ele prova que um único modelo bem projetado pode ser tanto preciso quanto honesto sobre suas limitações.

Este trabalho representa uma mudança de tratar a inteligência artificial como uma caixa mágica que simplesmente produz um resultado para tratá-la como uma ferramenta que comunica seu raciocínio. Os pesquisadores demonstraram que, ao permitir que o computador expresse sua incerteza, eles não tiveram que sacrificar a precisão. Na verdade, o método melhorou a detecção de pequenos AVCs sem exigir tempo de treinamento extra ou mudanças complexas na arquitetura subjacente. O sistema está pronto para ser usado em um fluxo de trabalho onde o computador faz o trabalho pesado de escanear a imagem, e o médico foca sua expertise apenas nas áreas onde o computador está incerto. Essa parceria garante que a velocidade da automação seja combinada com a segurança da supervisão humana, um passo necessário para trazer essas tecnologias para os hospitais do mundo real para ajudar os pacientes a se recuperarem de um AVC.