VIT-DRN-OCAFF: An Optimized Cross-Attention Feature Fusion Framework for Multi- Class COVID-19 and Pulmonary Disease Diagnosis Using Thoracic CT Images

O pulmão humano é um órgão complexo e delicado e, quando adoece, os sinais podem ser sutis e facilmente confundidos. Uma tosse, uma febre ou uma sensação de falta de ar podem sinalizar uma infecção viral comum, uma pneumonia bacteriana ou uma condição mais grave como a COVID-19. Para os médicos, distinguir entre essas causas é crítico, mas os sintomas frequentemente se sobrepõem, tornando um diagnóstico rápido e preciso um desafio significativo. Para ver o interior do peito sem cirurgia, os profissionais médicos dependem da tomografia computadorizada, ou exames de TC, que criam imagens transversais detalhadas dos pulmões. Essas imagens revelam a textura do tecido pulmonar, mostrando áreas de infecção, fluido ou inflamação. No entanto, ler milhares desses exames é um fardo pesado para os radiologistas, e as diferenças visuais entre doenças semelhantes podem ser tão sutis que até mesmo especialistas podem perder um detalhe crucial ou identificar incorretamente a causa.

Nos últimos anos, os computadores começaram a auxiliar nesta tarefa, usando inteligência artificial para aprender como diferentes doenças se parecem em um exame. As tentativas iniciais usaram ferramentas padrão de reconhecimento de imagem, mas estas frequentemente tinham dificuldade em ver o panorama geral de como uma doença se espalha pelo pulmão, ao mesmo tempo em que notavam os pequenos pontos específicos onde a infecção está mais ativa. Um novo estudo propõe uma forma mais avançada de ensinar um computador a ler esses exames, combinando duas maneiras diferentes de olhar para a imagem para criar um quadro mais claro da doença. Os pesquisadores visaram construir um sistema que pudesse não apenas dizer se um paciente está doente, mas também identificar exatamente que tipo de enfermidade ele possui, seja COVID-19, pneumonia viral, pneumonia bacteriana ou outros problemas pulmonares não virais.

Os pesquisadores desenvolveram um novo framework de computador projetado para agir como um par de olhos especialistas trabalhando juntos. Uma parte do sistema é treinada para observar toda a imagem do pulmão de uma só vez, compreendendo os padrões amplos de como uma infecção pode se espalhar pelo órgão. Esta parte é boa em ver a "floresta", reconhecendo a forma geral e a distribuição da doença. A segunda parte do sistema foca intensamente nos pequenos detalhes, dando zoom para encontrar as texturas e bordas específicas das áreas infectadas, como as "árvores" nessa floresta. Por si só, a primeira parte poderia perder um pequeno, mas crítico, ponto de infecção, e a segunda parte poderia se perder nos detalhes sem compreender o contexto geral. A inovação neste estudo reside em como essas duas partes estão conectadas. Os pesquisadores criaram um mecanismo especial que permite que os dois sistemas conversem entre si, verificando e refinando constantemente o que veem. Este processo garante que o computador priorize as características mais importantes para o diagnóstico enquanto ignora ruídos irrelevantes ou padrões confusos que não ajudam a identificar a doença.

Para testar esta nova abordagem, a equipe reuniu uma coleção massiva de exames de pulmão, totalizando quase 25.000 imagens. Estas imagens vieram de bases de dados médicas públicas e de hospitais na Índia, cobrindo uma ampla gama de pacientes e gravidades de doenças. O conjunto de dados incluiu exames de pessoas com COVID-19 confirmada, pneumonia viral, pneumonia bacteriana e aquelas com outras anormalidades pulmonares que não foram causadas por um vírus. Antes que o computador pudesse aprender com estas imagens, os pesquisadores as limparam e prepararam cuidadosamente. Eles removeram partes desnecessárias do corpo dos exames, ajustaram o brilho e o contraste para fazer as áreas infectadas se destacarem e suavizaram qualquer ruído granulado que pudesse confundir o sistema. Esta preparação garantiu que o computador estivesse aprendendo a partir dos sinais reais da doença e não de artefatos causados pela máquina de escaneamento.

O computador foi então treinado em uma grande parte destas imagens, aprendendo a reconhecer as assinaturas únicas de cada doença. Uma vez concluído o treinamento, o sistema foi testado em um conjunto separado de imagens que ele nunca tinha visto antes, para ver quão bem poderia performar em um cenário do mundo real. Os resultados foram extraordinariamente altos. O sistema identificou corretamente o tipo de doença pulmonar com um AUC de 0,99. Foi particularmente bom em evitar alarmes falsos, identificando corretamente pulmões saudáveis ou condições de não-doença quando presentes, e raramente deixou passar um caso verdadeiro de infecção. Quando os pesquisadores detalharam o desempenho por tipo de doença, o sistema se destacou ao distinguir a COVID-19 de outras infecções, alcançando uma precisão quase perfeita. Também apresentou um desempenho forte ao separar a pneumonia viral da pneumonia bacteriana, duas condições que são frequentemente difíceis de distinguir até mesmo para médicos humanos.

Para entender por que este novo sistema funcionou tão bem, os pesquisadores o compararam com métodos mais antigos. Eles testaram ferramentas padrão de visão computacional, modelos tradicionais de deep learning e até outros sistemas avançados que utilizavam apenas uma das duas abordagens descritas acima. Os métodos mais antigos, embora melhores do que o acaso, consistiam em ficar abaixo do nível de excelência, com taxas de precisão variando entre o meio dos 80 e o alto dos 90 por cento. O novo sistema, que combinou a visão ampla e a visão detalhada com seu link especial de comunicação, superou todos eles. O estudo também mostrou que o sistema era eficiente, processando imagens rapidamente o suficiente para ser útil em um ambiente hospitalar movimentado sem exigir poder computacional excessivo.

Os pesquisadores não pararam apenas nos números; eles também observaram como o sistema "via" as imagens. Eles compararam as áreas que o computador destacou como infectadas contra as áreas realmente infectadas marcadas por médicos humanos. O foco do computador coincidiu com as descobertas dos especialistas humanos com alta precisão, identificando corretamente os limites da infecção e as texturas específicas associadas a cada doença. Este nível de concordância sugere que o sistema não está apenas adivinhando com base em padrões, mas está realmente aprendendo as características visuais das doenças. O estudo conclui que este novo framework oferece uma ferramenta altamente confiável para diagnosticar doenças pulmonares a partir de exames de TC. Ao combinar uma compreensão ampla da condição do pulmão com um foco aguçado em lesões específicas, o sistema proporciona um nível de precisão que pode auxiliar significativamente os médicos na tomada de decisões mais rápidas e confiantes para seus pacientes. Embora o estudo tenha sido conduzido em um conjunto específico de dados, os resultados sugerem um passo poderoso à frente no uso da inteligência artificial para apoiar o diagnóstico de doenças respiratórias.