IA no diagnóstico e prognóstico do COVID-19

Para reforçar a investigação, o desenvolvimento tecnológico e a inovação no combate à COVID-19, a Axians juntou-se à Universidade Católica Portuguesa, mais concretamente à Faculdade de Medicina Dentária de Viseu, ao Centro de Investigação Interdisciplinar em Saúde (CIIS) e à Escola Superior de Biotecnologia do Porto, no desenvolvimento de um estudo denominado “Fast detection of SARS-CoV-2 usingMultimodal Deep Learning”.

Co-financiado pela União Europeia, este projeto assenta no desenvolvimento de uma ferramenta de apoio à decisão clínica (precoce) que aplica métodos de Inteligência Artificial, nomeadamente Deep Learning multimodal, para identificar padrões imagiológicos e padrões moleculares que caraterizam o diagnóstico positivo do SARS-CoV-2. O termo multimodal neste contexto significa que as redes neuronais vão aprender características oriundas de diversas fontes de dados, tais como: imagens de tomografia computorizada e padrões moleculares obtidos através da análise da saliva.

Com a utilização destas tecnologias, o objetivo é que esta ferramenta permita a estratificação dos doentes, suportando a decisão clínica em pacientes com COVID-19. As vantagens desta solução são várias: passa a existir uma base de informação disponível para a comunidade científica; é um teste não invasivo, exigindo apenas a recolha de saliva; é uma ferramenta auxiliar para o diagnóstico de COVID-19 e permite identificar o prognóstico dos casos mais severos.

O processo é feito em quatro fases distintas: 

• 1º passo - é feito um raio-x do tórax a doentes infetados com SARS-CoV-2 e recolhida alguma informação sobre o doente e sintomatologia associada;
• 2ª passo – aplicando data augmentation, através da transformação das imagens, pretende-se aumentar o número de amostras disponíveis;
• 3ª passo – é efetuada recolha de amostras de saliva para registar os dados moleculares do doente (anticorpos, marcadores inflamatórios, proteínas, entre outros);
• 4º passo – com base na informação imagiológica e molecular recolhida, pretende-se treinar um modelo multi-modal que auxilie o diagnóstico e prognóstico de SARS -CoV-2.

De forma a aumentar a precisão do modelo pretende-se utilizar uma técnica denominada por Transfer Learning. Este conceito é simples: treinar o modelo utilizando um conjunto de dados com milhares de imagens de um problema similar, depois na arquitetura do modelo remove-se a última camada responsável pela classificação e adicionamos uma nova camada treinada com o conjunto de dados recolhido por nós que terá um número inferior de imagens.

“A situação de pandemia que se vive atualmente exige o desenvolvimento de soluções rápidas para a previsão da evolução individual da COVID-19, aumentando a eficiência dos sistemas de saúde na gestão do acompanhamento e do tratamento da doença. Por isso é que nós, na Axians, quisemos contribuir, aliando a inteligência artificial à ciência dos dados, de forma a sermos úteis à sociedade, permitindo mitigar e compreender melhor esta pandemia. Com o conjunto de dados acima referidos, acreditamos que conseguiremos aplicar modelos de Deep Learning baseados em imagens e padrões moleculares que servirão não como um substituto, mas sim um auxiliar de diagnóstico e prognóstico para os profissionais de saúde”, refere Pedro Faustino, Managing Director na Axians Portugal.

“Uma das principais necessidades nesta situação epidemiológica é aumentar a capacidade e a celeridade da execução de testes/diagnóstico que em vários países ficou aquém das expetativas. Isto deveu-se à inexistência de testes suficientes, falta de material ou de reagentes de extração, falsos positivos/negativos e demora em obter resultados, com tempos de espera entre 24 e 72 horas. A solução proposta vem responder a esta necessidade já que pretende acelerar e facilitar o encaminhamento dos pacientes, melhorando os resultados clínicos”, conclui Isabel Capeloa Gil, Reitora da Universidade Católica.

Todos os dados recolhidos serão anónimos, de modo a não ser possível a identificação dos participantes, e serão, posteriormente, transferidos para uma plataforma que irá armazenar e disponibilizar os dados para investigação científica.