Cientistas da Universidade da Califórnia descobriram mais uma forma de reduzir a carga de trabalho de radiologistas com aprendizado de máquina.
De acordo com as novas descobertas publicadas na Journal of American College of Radiology, a IA pode identificar mamografias negativas que não precisam ser interpretadas.
Trent Kyono, principal autor do estudo, e seus colegas afirmam que o aprendizado de máquina serviria para uma espécie de triagem.
“Como a grande maioria das mamografias examinadas por um radiologista é negativa, os métodos de aprendizado de máquina que classificam um subgrupo de exames como negativos com extrema precisão e remetem o restante a um mamógrafo poderiam reduzir significativamente a carga de trabalho interpretativa diária dos radiologistas, liberando tempo para focar em exames mais suspeitos e exames diagnósticos”.
AURA
O Assistente Autônomo de Radiologistas (AURA) utilizou dados de mamografias de mais de 7.000 mulheres realizadas pelo National Health Service Breast Screening Program no Reino Unido.
Uma rede neural convolucional foi treinada para ler a imagem da mamografia, prever o diagnóstico final e estimar detalhes importantes sobre a paciente, como idade e densidade da mama. Além disso, uma rede neural profunda também indica se aquele exame necessita ou não da revisão de um radiologista.
“A AURA é diferente das abordagens anteriores de aprendizado de máquina, pois não procura substituir a intervenção humana, mas sim auxiliar os radiologistas classificando corretamente as mamografias de pacientes com baixo risco de câncer de mama” escreveram.
O modelo desenvolvido conseguiu manter o valor preditivo mínimo de 99%, segundo os pesquisadores. Também de acordo com Kyono e equipe, a AURA diminuiu o número de mamografias que os radiologistas precisaram ler para 34%.
O software tipo AURA, se implementado, poderia liberar os radiologistas para ter mais tempo para se concentrar em casos difíceis, acrescentou a equipe.
“A ferramenta de triagem pode ser usada de várias maneiras, por exemplo, priorizando listas de leitura, alocando casos a leitores de diferentes experiências, lendo casos difíceis no início do dia e terceirizando casos de menor risco”.
