Uma equipa de investigação do INESC TEC e da Universidade de Munique, incluindo Carnegie Mellon Portugal (CMU Portugal) Ph.D. O aluno Tamás Karácsony testou uma solução inovadora para classificar as convulsões, principal sintoma da epilepsia, usando radar infravermelho e vídeo 3D. Relatórios Científicos publicou recentemente os resultados deste trabalho coordenado pelo orientador de Karácsony e Diretor Científico da CMU Portugal, João Paulo Cunha, investigador do INESC TEC e Professor da FEUP.

Apesar de uma infinidade de imagens de vídeo disponíveis convulsão Os estudos de classificação ainda são raros e as abordagens para soluções automatizadas com suporte de IA são ainda mais raras. Este novo estudo apresenta uma nova abordagem que pela primeira vez considera a classificação quase em tempo real a partir de amostras de dois segundos e demonstra a viabilidade de um sistema para apoiar o processo de diagnóstico e monitoramento (baseado na detecção de ação) usando aprendizado profundo. Esta técnica permite a diferenciação entre crises do lobo frontal e temporal (os dois tipos mais comuns de epilepsia) ou eventos não epilépticos.

A epilepsia é uma doença neurológica crônica que afeta 1% das pessoas população mundial, sendo a convulsão um dos principais sintomas cuja semiologia é fundamental para diagnosticar possíveis ocorrências. A análise das convulsões geralmente é realizada usando um vídeo EEG (eletroencefalograma) 2-D em unidades de monitoramento de epilepsia (UMEs) por profissionais de saúde especializados. “No decorrer diagnóstico clínicoOs médicos usam esses vídeos para detectar visualmente os movimentos de interesse definidos pelas características do movimento (semiologia)”, explicou Karácsony.

No entanto, a avaliação semiológica é limitada pela alta variabilidade interexaminador entre esses profissionais e, embora promissoras, as abordagens automatizadas e semiautomáticas usando visão computacional ainda dependem de esforços significativos de “humano no loop”. “Um paciente geralmente é monitorado por vários dias, o que precisa ser totalmente verificado quanto a convulsões. Isso requer muito tempo e esforço do corpo clínico”, acrescentou o pesquisador.

Para superar isso, a equipe de pesquisa desenvolveu uma abordagem baseada em aprendizado profundo para classificação automática e quase em tempo real de crises epilépticas. Segundo Karácsony, “Apresentamos uma nova contribuição inspirada na forma como os especialistas analisam a semiologia das crises, levando em consideração não apenas a presença de movimentos específicos de interesse em diferentes partes do corpo do paciente, mas também sua dinâmica e seus aspectos biomecânicos . como padrões de velocidade ou aceleração ou amplitude de movimento.”

A equipe recorreu ao maior banco de dados de EEG de vídeo 3D do mundo e extraiu vídeos de 115 convulsões, primeiro desenvolvendo um algoritmo de pré-processamento semi-especializado e automático para remover os arredores desnecessários dos vídeos. Na prática, combinam-se dois métodos de corte de imagens – profundidade e máscara R-CNN – para fornecer um cenário limpo e, consequentemente, melhorar a extração de informações relevantes dos vídeos disponíveis, minimizar variações não relacionadas e melhorar o processo de classificação das apreensões.

Explicando melhor o processo usado, Tamás explicou: “Nossa solução usa uma abordagem de detecção de ação com uma fatia 3-D inteligente da cena para remover informações não relacionadas, como B. Os médicos que se deslocam entre os pacientes melhoraram o desempenho da classificação. Esta pesquisa também demonstrou a viabilidade de nossa abordagem de detecção de ação para distinguir duas classes de epilepsia e a classe não epiléptica com apenas duas amostras de segundo, tornando-a útil para monitoramento quase em tempo real, o A solução que propomos pode ser usada em outros conjuntos de dados de vídeo 3-D para análise e monitoramento de convulsões.”

Portanto, ao traduzir esse conhecimento em diagnóstico e tratamento aprimorados, a abordagem atende a dois propósitos: “Pode ser usada para monitorar e alertar – o que pode alertar a equipe; ou, se a abordagem for transferida para um ambiente ambulatorial, um cuidador se uma convulsão estiver em andamento, resultando em uma resposta mais rápida, o que pode reduzir os riscos associados e a Morte Súbita Inesperada em Epilepsia (SUDEP). Isso não seria viável sem uma abordagem quase em tempo real”, disse Karácsony.

Mais pesquisas são necessárias antes que este sistema possa ser implementado na prática clínica. No entanto, espera-se que o sistema beneficie médicos, clínicas e pacientes a longo prazo. “Com o suporte de diagnóstico automatizado, os médicos precisam gastar menos tempo revisando os vídeos, podendo assim tratar mais pacientes e, com sorte, tomar melhores decisões, reduzindo os custos associados (materiais e saúde) para as clínicas e para a sociedade”, concluiu.

Fornecido pelo programa Carnegie Mellon Portugal