Pesquisadores brasileiros desenvolveram uma nova técnica que combina inteligência artificial e exames de raio-X do tórax para detectar Covid-19 em um paciente. De acordo com o estudo, publicado na IEE/CAA Journal of Automatica Sinica, a precisão dos resultados é de 95,6% a 98,5%.
Os pesquisadores já utilizavam a técnica de imageamento para identificar outras patologias pulmonares, como fibrose, enfisema e nódulos. No caso da Covid-19, os sintomas incluem tosse, pneumonia e outras complicações respiratórias que também são visíveis em exames de raio-X.
De acordo com o autor do estudo Victor Albuquerque, do Laboratório de Processamento de Imagens, Sinais e Computação Aplicada da Universidade de Fortaleza, a ideia era facilitar e agilizar os testes aprimorando uma ferramenta que já está amplamente disponível em hospitais e que já é utilizada com frequência no diagnóstico de Covid-19.
Assim, em vez de aguardar dias pelos resultados de testes como o do PCR, as imagens de raio-X estariam disponíveis em questão de minutos. O principal desafio, no entanto, foi encontrar uma quantidade suficiente de raios-X publicamente disponíveis para treinar a inteligência artificial para identificar os pacientes com Covid-19.
Para treinar um modelo, geralmente são necessárias milhares de imagens, mas os pesquisadores utilizaram apenas 194 raios-X de pacientes com Covid-19 e mais 194 de pessoas saudáveis. Portanto, para compensar isso, eles escolheram um modelo já treinado com uma grande quantidade de outras imagens de raio-X e adaptaram para que ele utilizasse o método necessário para identificar pacientes de Covid-19.
Dentre os diferentes métodos de aprendizado de máquina, os pesquisadores obtiveram resultados promissores com dois deles, atingindo 95,6% e 98,5% de precisão. Albuquerque afirmou em um comunicado da Associação Chinesa de Automação (CAA) que pretende continuar testando o método com uma base de dados maior à medida que eles forem disponibilizados para que, no futuro, possa desenvolver uma plataforma online gratuita de classificação de imagens médicas.