Cross-center sex estimation from patellar CT: multi-feature transformer fusion of morphometry, radiomics, and deep features
Este estudo apresenta um robusto framework de fusão Transformer de múltiplos recursos que integra morfometria patelar, radiômica e recursos de aprendizado profundo de tomografias computadorizadas para alcançar uma estimativa de sexo altamente precisa e generalizável, superando modelos de recurso único e especialistas forenses, enquanto reduz significativamente o tempo de processamento.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
No rescaldo silencioso de um desastre ou de um crime, os cientistas forenses enfrentam um enigma desafiador: quem era esta pessoa? O primeiro e mais crítico passo para resolver esse enigma é determinar o sexo dos restos mortais. Durante décadas, os especialistas buscaram na pelve e no crânio, os ossos que mostram mais claramente as diferenças físicas entre homens e mulheres. Mas, na realidade caótica de desastres de massa ou sítios antigos, esses ossos estão frequentemente quebrados, queimados ou totalmente ausentes. Quando as pistas usuais desaparecem, os investigadores devem recorrer a outras partes do esqueleto. Um desses sobreviventes é a patela, um osso pequeno e denso que muitas vezes resiste ao fogo e ao trauma melhor do que o resto do corpo. Embora seja menor e menos óbvia que a pelve, ela carrega um mapa oculto do sexo biológico em sua forma e textura, esperando para ser lido.
Uma equipa de investigadores da Universidade de Qinghai e de hospitais afiliados na China desenvolveu uma nova forma de ler esse mapa. Eles criaram um sistema informático que atua como um superobservador, combinando três formas diferentes de observar uma patela para adivinhar se pertencia a um homem ou a uma mulher. Em vez de depender de apenas um método, o sistema funde medições simples de tamanho, uma análise detalhada da textura interna do osso e uma compreensão profunda e abstrata da forma geral do osso. Ao ensinar um computador a pesar todos estes indícios em conjunto, os investigadores descobriram uma forma de tornar a estimativa do sexo mais rápida, mais consistente e mais precisa do que os métodos humanos atuais, mesmo quando as imagens ósseas provêm de diferentes hospitais com equipamentos diferentes.
O estudo começou com uma grande coleção de exames de joelho de dois hospitais na província de Qinghai. Os investigadores reuniram imagens de 836 pessoas, selecionando cuidadosamente aquelas com joelhos saudáveis e imagens claras. Dividiram estas em dois grupos: um grupo maior para ensinar o computador a reconhecer padrões, e um grupo menor e separado para testar se o computador conseguiria aplicar o que aprendeu a novos dados não vistos. Para construir a sua ferramenta, a equipa primeiro delineou manualmente a patela em cada exame, isolando-a do resto da articulação do joelho. A partir deste osso isolado, extraíram três tipos distintos de informação. Primeiro, mediram a geometria básica do osso, calculando o seu comprimento, largura, espessura, volume, área de superfície e a distância ao redor da sua borda. Segundo, utilizaram uma técnica chamada radiómica para decompor a imagem em centenas de pequenos detalhes de textura, capturando o grão e o padrão do interior do osso que o olho humano não consegue ver. Terceiro, utilizaram modelos avançados de inteligência artificial para escanear o osso e extrair características profundas e abstratas que representam a forma e a estrutura geral do osso, de uma forma que mimetiza como um céreamente humano poderia reconhecer um rosto ou um objeto.
O cerne da sua inovação foi a forma como combinaram estes três fluxos de informação. Em vez de simplesmente fazer a média dos resultados ou empilhar os dados uns sobre os outros, utilizaram uma arquitetura informática sofisticada conhecida como Transformer. Este sistema funciona como um decisor dinâmico que aprende a prestar atenção às pistas mais importantes para cada osso específico. Pode decidir que, para uma determinada patela, a textura é o sinal mais revelador, enquanto para outra, o tamanho geral é o que mais importa. Esta flexibilidade permite ao sistema adaptar-se às variações nos dados, tais como as diferenças na forma como os exames foram realizados. Os investigadores testaram este sistema contra modelos mais simples que utilizavam apenas um tipo de informação, bem como contra outras formas de combinar os dados.
Os resultados mostraram que a abordagem combinada foi superior. No conjunto de teste interno, o sistema identificou corretamente o sexo em 94,3% dos casos, um melhoramento significativo em relação às abordagens de método único. Mais importante ainda, quando testado no grupo externo de pacientes de um hospital diferente, com equipamento de varrimento ligeiramente distinto, o sistema manteve um elevado nível de precisão, identificando corretamente o sexo em 87,9% dos casos. Em contraste, os modelos mais simples que dependiam de apenas um tipo de dado viram a sua precisão cair de forma mais acentuada quando confrontados com estas novas condições. O estudo também comparou o desempenho do computador com o de especialistas humanos. Três leitores humanos, variando de um estudante a um especialista forense certificado, mediram manualmente os mesmos 15 ossos utilizando fórmulas tradicionais. Embora os especialistas humanos fossem geralmente precisos, as suas medições variavam significativamente entre si; para o mesmo osso, um especialista poderia medir o comprimento como 40 milímetros enquanto outro media 48 milímetros. O computador, contudo, produzia exatamente o mesmo resultado todas as vezes, eliminando esta inconsistência humana. Além disso, o computador completou a sua análise num tempo médio de 30 segundos por osso, enquanto os especialistas humanos demoravam entre quatro a treze minutos cada.
Os investigadores observaram que a espessura das fatias do exame desempenhou um papel crucial no desempenho dos diferentes métodos. Quando os exames eram muito finos, capturando detalhes minuciosos, os métodos baseados em textura e de aprendizagem profunda tiveram um desempenho excecional. No entanto, quando os exames eram ligeiramente mais espessos, como é comum em alguns cenários do mundo real, o desempenho desses métodos complexos diminuía. As medições simples de tamanho permaneceram estáveis independentemente da espessura do exame, razão pela qual a capacidade do sistema de misturar os três métodos foi tão eficaz; podia contar com as medições estáveis quando os dados detalhados de textura se tornavam menos fiáveis. O estudo conclui que esta abordagem de múltiplos atributos oferece uma ferramenta robusta e objetiva para a identificação forense. Sugere que, ao permitir que um computador aprenda a pesar diferentes tipos de evidências, os investigadores podem obter uma resposta mais fiável sobre o sexo de uma pessoa, mesmo quando os ossos estão danificados ou quando os dados provêm de fontes variadas. Embora o estudo se tenha limitado a uma população específica na China e tenha utilizado exames de pessoas vivas, os autores acreditam que este método fornece uma base sólida para trabalhos futuros que possam ajudar a identificar vítimas em desastres de massa ou analisar restos mortais em contextos arqueológicos, transformando um osso pequeno e muitas vezes negligenciado numa poderosa chave para a identificação.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.