Estudo radiómico em tomografia computorizada do AVC hemorrágico subaracnoideu com recurso a machine learning

O Acidente Vascular Cerebral (AVC) é uma patologia do foro vascular que resulta na lesão das células cerebrais, devido à ausência de suprimento de oxigénio e nutrientes, levando à morte de tecido cerebral, e consequentemente, a uma perda das funções neurológicas. O AVC Hemorrágico Subaracnoideu, como todos os AVCs, deve ser diagnosticado rapidamente, sendo que o exame de 1ª linha é a Tomografia Computorizada (TC). O presente trabalho teve como objetivo identificar os contributos da radiómica aliada a métodos de Machine Learning na deteção e localização (lateralidade e nível) do AVC Hemorrágico Subaracnoideu. Foi utilizada uma base de dados pública de estudos de TC crânio-encefálica (RSNA_500_Stroke_reads) de onde, após uma triagem, foram selecionados 30 estudos de pacientes com hemorragia subaracnoide e 35 estudos de pacientes sem qualquer patologia. Em ambos os casos, tratava-se de estudos sem utilização de Contraste Intra Venoso (S/CIV) com espessura de corte de 5mm e a base de dados integrava, para além das imagens, informação relacionada com a avaliação por parte de 3 observadores. Das séries de TC dos estudos selecionados, foram segmentadas 12 regiões de interesse (M1, M2, M3, M4, M5, M6 direitas e esquerdas) entre as definidas no Alberta Stroke Program Early CT (ASPECT) nos planos ao nível ganglionar e supra ganglionar e foram extraídas as características radiómicas em cada uma dessas zonas. Utilizando a base de dados de características radiómicas e observacionais, foi realizado o treino de diferentes classificadores para a deteção do AVC e para a sua localização, tendo sido depois selecionado o que teve melhor desempenho. Os resultados demonstraram uma alta taxa de acurácia na deteção e localização do AVC Hemorrágico Subaracnoideu, tendo sido obtidos valores de acurácia superiores a 90%. O classificador Fine KNN (K=3) apresentou uma acurácia de com 96.9% na identificação do AVC. Já na identificação da lateralidade do AVC, o classificador Fine KNN (K=1) apresentou, como melhor resultado, uma acurácia de 94%. Por fim, em relação ao nível a que se encontrava o AVC (ganglionar ou supra ganglionar), o melhor resultado foi obtido pelo classificador Fine KNN (K=1) com uma acurácia de 92.1%. No âmbito do trabalho realizado pode-se concluir que a informação radiómica extraída de uma seleção de zonas ASPECT, aliada a métodos de ML, permite não só detetar a existência do AVC Hemorrágico Subaracnoideu, mas também identificar a sua localização e nível anatómico, com um elevado grau de certeza. Por outro lado, permitiu perspetivar a replicação da metodologia adotada no contexto do desenvolvimento de software que permita contribuir para diagnóstico mais rápido e assertivo do AVC hemorrágico.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.