Criação de um protótipo objeto simulador para o controle de qualidade de algoritmos de segmentação óssea para o uso em softwares de pós processamento tomográfico

Abstract

A Inteligência Artificial (IA) tornou-se um dos temas mais relevantes e sua influência é significativa na prática da medicina, incluindo a radiologia médica. Muito do sucesso da IA nas últimas décadas pode ser atribuído aos avanços no poder de computação em combinação com uma melhor compreensão dos aspectos teóricos da IA e dos algoritmos implementados. As imagens de raios X são baseadas na absorção dos raios X à medida que passam por diferentes partes do corpo do paciente. Dependendo da quantidade absorvida em um determinado tecido, como músculo ou pulmão, uma quantidade diferente de raios X passará e sairá do corpo. A quantidade de raios X absorvida contribui para a dose de radiação para o paciente. A tomografia computadorizada (TC), por outro lado, fornece uma forma de imagem humana seccional. A imagem de corte transversal é usada para uma variedade de propósitos diagnósticos e terapêuticos. Em 2020, Höeschen apontou que os métodos de reconstrução de imagem baseados em algoritmos de IA, ou seja, software de pós processamento, oferecem muitas possibilidades para otimizar os conjuntos de dados de imagens tridimensionais. No entanto, surgiram dúvidas sobre a confiabilidade, portanto uma avaliação adequada é absolutamente necessária. A falta de testes de controle de qualidade de IA no cenário mundial vai além da questão legal e acadêmica, pois implica em uma discussão relevante sobre a responsabilidade ética dos provedores de tecnologia. Em software de pós processamento avançado e modelos de IA, a lacuna existente cria alto risco para a prática clínica; assim testes de controle de qualidade são necessários antes do uso generalizado. Os dados utilizados nesta pesquisa provieram dos valores biológicos da literatura e os testes de aquisição de imagens foram apenas em materiais miméticos ao sistema biológico. Foi desenvolvido um objeto simulador com técnicas de impressão 3D que mimetiza a dureza e densidade do osso humano, com materiais como resina, polímeros e o mais novo material PolyJet da empresa Stratasys lançado em junho de 2022, o RadioMatrix, que possui valores de -30 a 1000 unidades de Hounsfield. Os resultados destacaram a análise do gráfico de superfície, escala de Hounsfield, resolução espacial, precisão geométrica e o uso de algoritmos de segmentação óssea com as técnicas Thresholding, Measurement Space e Automatic bone. O objeto simulador promissor foi desenvolvido com o material RadioMatrix. Ficou evidente que os modelos de IA disponíveis no mercado carecem do conceito EXAI, que é uma inteligência artificial explicável. A explicabilidade em IA, também conhecida como interpretabilidade, refere-se à capacidade de um modelo de aprendizado de máquina fornecer uma explicação para as decisões que toma. Com os testes realizados foi possível estabelecer o comportamento das diferentes técnicas de segmentação. A regra prioritária para a segmentação óssea após as análises, foi a tomada de decisão dos algoritmos baseada na densidade e valores da unidade Hounsfield, ou seja, no treinamento desses modelos não foi agregado à forma e características específicas do osso. O exemplo da segmentação automática da peça em forma de raio, evidenciou que não houve um treinamento prévio desse tipo de estrutura, pois não temos esse formato de osso no corpo humano e mesmo assim o algoritmo de IA realizou a segmentação devido à familiaridade com densidade do material. A presente pesquisa cumpriu o objetivo de criar uma metodologia para validar modelos de IA para segmentação óssea para tomografia computadorizada, desenvolvendo um objeto simulador e oferecendo controle de qualidade sem dependência humana para as análises, garantindo ferramentas explicáveis e concorrência justa entre os fornecedores das soluções médicas.