Diagnóstico quantitativo de isquemia intestinal com deep learning

A isquemia intestinal é uma condição médica potencialmente fatal causada por uma diminuição ou obstrução do fluxo sanguíneo para o intestino. Está ligada a muitos distúrbios gastrointestinais graves que podem ter efeitos mortais e de longo prazo. Se não for tratada, progride rapidamente para necrose intestinal irreversível que, por sua vez, leva a distúrbios metabólicos fatais e disfunção de órgãos-alvo. Como resultado, o tratamento cirúrgico oportuno dessa condição é crítico.

A avaliação intraoperatória atual da perfusão intestinal (fluxo sanguíneo para o intestino) é baseada na avaliação subjetiva de cirurgiões humanos, devido à falta de um marcador confiável. Isso deixa a porta aberta para erros com sérias consequências para a saúde a longo prazo. Uma avaliação quantitativa e objetiva da perfusão intestinal é, portanto, imperativa.

Agora, uma equipe de pesquisa internacional abordou esse problema. Em um estudo recente publicado no Jornal de imagens médicasos pesquisadores desenvolveram um modelo de aprendizado profundo com base em uma rede adversária generativa condicional (cGAN) e a usou para analisar dados de imagens de contraste de speckle a laser (LSCI) combinadas com uma câmera de luz visível para identificar regiões de perfusão tecidual anormal.

“Nossa plataforma de visão é construída em torno de um banco de duas modalidades sistema de imagem com canais LSCI vermelho-verde-azul (RGB) e sem corantes. Usamos um modelo pré-clínico para coletar dados sobre estruturas vasculares mesentéricas intestinais com perfusão microvascular normal/anormal para criar um grupo controle/experimental. Em seguida, treinamos nosso modelo com o conjunto de dados normal e usamos os dados anormais para testes”, explica o principal autor Jaepyeong Cha, professor associado e pesquisador principal do Sheikh Zayed Institute for Surgical Innovation.

O cGAN detecta regiões intestinais isquêmicas monitorando a reconstrução errônea do espaço de característica latente, um espaço de incorporação que coloca itens semelhantes uns aos outros próximos uns dos outros. O principal benefício do cGAN é que ele não é supervisionado, o que significa que não precisa de marcação manual prévia de dados para detectar padrões. “Na verdade, ele fornece resultados de segmentação bem definidos para diferentes níveis de isquemia quando comparado à técnica LSCI qualitativa tradicional”, destaca Cha.

Usando uma coleção de 2.560 pares de imagens RGB/LSCI, os pesquisadores demonstraram que seu modelo pode segmentar com precisão as imagens isquêmicas do intestino com uma precisão de mais de 93%, o que se compara favoravelmente com os métodos subjetivos atuais. Estimativas múltiplas e independentes foram usadas para rotular as imagens, que combinavam anotações de cirurgiões com um algoritmo de otimização chamado “descida de gradiente mais rápida” em áreas suspeitas de imagens vasculares. Para uma imagem de 256 × 256, o tempo total de processamento para o método de aprendizagem profunda foi uma mera fração (0,05) de segundo. No geral, o modelo superou as imagens brutas de LSCI em termos de distribuição de probabilidade pixel a pixel de isquemia intestinal.

O modelo proposto fornece uma análise pixel a pixel e quantitativa da perfusão intestinal, tornando-a confiável e superior aos procedimentos padrão – e prometendo melhores resultados cirúrgicos. “Ele tem o potencial de ajudar os cirurgiões a melhorar os resultados clínicos da isquemia mesentérica e outras cirurgias gastrointestinais, aumentando a precisão do diagnóstico intraoperatório”, diz Cha. “Com uma plataforma de detecção assistida por computador combinada com cGAN, eles seriam capazes de prever padrões de perfusão de tecidos saudáveis ​​a partir de imagens RGB coloridas e reconhecer áreas isquêmicas em risco”.