Early Diagnosis of Ischemic Stroke on Non-Contrast CT Scans Using a Convolutional Neural  Network: A Case Study from Mulago National Referral Hospital, Uganda

Resumo Técnico: Diagnóstico Precoce de Acidente Vascular Cerebral Isquêmico em Tomografias Computadorizadas sem Contraste na Uganda

Definição do Problema
Em países de baixa e média renda (LMICs), particularmente na Uganda, o diagnóstico de acidente vascular cerebral (AVC) isquêmico é frequentemente retardado devido à escassez de radiologistas especialistas. Embora a tomografia computadorizada sem contraste (NCCT) seja a modalidade de imagem mais amplamente disponível para suspeita de AVC, detectar alterações isquêmicas precoces nessas imagens é um desafio e normalmente requer interpretação experiente. Em hospitais públicos como o Hospital Nacional de Referência de Mulago, atrasos de relatório de três a cinco dias são comuns, pois os radiologistas priorizam traumas e outras emergências. As soluções existentes de diagnóstico assistido por computador muitas vezes dependem de imagens avançadas (ex: perfusão ou angiografia por TC) indisponíveis em ambientes com recursos limitados ou falham em fornecer interfaces de assistência direta ao ponto de cuidado utilizáveis por pessoal não técnico.

Metodologia
Este estudo empregou um desenho de acurácia diagnóstica retrospectiva para desenvolver e validar uma Rede Neural Convolucional (CNN) para detecção precoce de AVC isquêmico utilizando exclusivamente exames de NCCT do Hospital Nacional de Referência de Mulago.

• Conjunto de Dados: O estudo utilizou 1.000 exames de NCCT anonimizados (500 confirmados como AVC isquêmico, 500 controles) coletados entre janeiro de 2022 e junho de 2023. As imagens foram selecionadas de um total de 1.450 exames após a exclusão daqueles com artefatos de movimento, séries incompletas ou metadados corrompidos.
• Anotação: Três radiologistas com mais de cinco anos de experiência em neuroimagem anotaram independentemente os 500 exames positivos para AVC, visando sinais precoces como hipoatenuação, apagamento de sulcos e perda da diferenciação entre substância cinzenta e branca. A confiabilidade interexaminador foi forte (κ de Cohen = 0,83), com discrepâncias resolvidas por consenso para criar o padrão de referência.
• Pré-processamento: O pipeline incluiu normalização de intensidade, redimensionamento para dimensões padronizadas e aumento de dados (rotações, translações, reflexões). As características quantitativas extraídas incluíram métricas de intensidade, descritores de forma e características de textura derivadas de propriedades da Matriz de Coocorrência de Níveis de Cinza (GLCM).
• Arquitetura do Modelo: Uma CNN 2D foi desenvolvida no PyTorch para analisar fatias individuais. A arquitetura consistiu em camadas de convolução e agrupamento (pooling) para extração de características, seguidas por camadas totalmente conectadas e uma saída softmax. Técnicas para evitar o sobreajuste (overfitting) incluíram dropout, regularização L2 e normalização de lote (batch normalization). O modelo foi treinado usando o otimizador Adam ao longo de 100 épocas com aceleração por GPU.
• Estratégia de Avaliação: O desempenho foi avaliado por meio de validação cruzada de cinco dobras (80% treinamento, 20% teste). Adicionalmente, uma análise comparativa foi realizada em um subconjunto independente estritamente mantido de 30 casos (15 AVC, 15 não-AVC) contra um radiologista consultor sênior.
• Implantação: Uma interface baseada na web foi desenvolvida utilizando uma API RESTful (backend Flask, frontend HTML/CSS/JavaScript) para permitir o upload seguro de arquivos DICOM, JPEG ou PNG e exibir resultados de inferência automatizados.

Principais Resultados

• Desempenho do Modelo: Através da validação cruzada de cinco dobras, a CNN alcançou uma acurácia média de 90,2% (±1,8), sensibilidade de 91,4% (±1,7), especificidade de 89,0% (±2,1) e uma Área Sob a Curva (AUC) de 91,3% (±1,7). O desempenho manteve-se estável entre as dobras de validação.
• Comparação com Radiologista: No subconjunto independente de 30 casos, o radiologista sênior alcançou 100% de sensibilidade e 95% de especificidade, não perdendo nenhum caso. A CNN alcançou 86,7% de sensibilidade e 88,7% de especificidade, perdendo dois casos de AVC. A análise estatística (teste de McNemar) indicou que a diferença no desempenho diagnóstico não foi estatisticamente significativa (p = 0,21).
• Eficiência: O diferencial mais significativo foi o tempo de processamento. A CNN processou os exames em aproximadamente 3 segundos por caso, comparado aos 5 minutos exigidos para a interpretação manual por um radiologista.
• Funcionalidade da Plataforma: A interface baseada na web demonstrou com sucesso a capacidade de realizar o upload de exames, executar análise automatizada e gerar resultados em segundos em um ambiente hospitalar simulado.

Principais Contribuições

1. Modelo Treinado Localmente: O estudo apresenta uma CNN treinada exclusivamente com dados de um hospital nacional de referência da Uganda, abordando as características específicas de imagem e as restrições de recursos da região.
2. Dependência de Imagens de Rotina: Ao contrário de muitos modelos de IA para AVC avançados, este sistema opera exclusivamente com exames de tomografia computadorizada sem contraste, a modalidade mais acessível em LMICs, em vez de exigir perfusão ou angiografia.
3. Implantação Integrada: A pesquisa vai além de algoritmos experimentais ao entregar uma plataforma funcional baseada em navegador com uma API RESTful, projetada para ser utilizada por pessoal de saúde não técnico.
4. Validação em Contexto de Recursos Limitados: O estudo valida que um alto desempenho diagnóstico é alcançável em ambientes com experiência limitada em radiologia, oferecendo uma ferramenta potencial para triagem rápida.

Significância e Alegações
Os autores alegam que o sistema integrado oferece uma acurácia diagnóstica comparável à de um radiologista sênior, ao mesmo tempo em que entrega resultados significativamente mais rápidos. O estudo sugere que tal plataforma possui potencial promissor para apoiar a triagem de AVC e reduzir atrasos diagnósticos em ambientes onde especialistas em radiologia são escassos. Os autores enfatizam que o sistema aborda o gargalo crítico do diagnóstico tardio no atendimento de emergência.

No entanto, o artigo mantém um tom modesto quanto ao seu impacto atual. Os autores declaram explicitamente que a plataforma ainda não passou por implantação clínica real e foi testada apenas em um ambiente simulado com dados anonimizados. Eles reconhecem limitações, incluindo a natureza de centro único dos dados, a falta de recursos de interpretabilidade visual (ex: mapas de calor) e a ausência de feedback estruturado dos usuários finais. Consequentemente, os autores concluem que validações multicêntricas adicionais e implementação piloto no mundo real são necessárias antes que uma implantação em larga escala possa ser recomendada.