Um projeto desenvolvido na Universidade Federal Fluminense (UFF) vem unindo Medicina e Ciência da Computação com o uso de inteligência artificial (IA) na análise de tomografias computadorizadas (TC) do tórax. A iniciativa tem como foco inicial a detecção de sinais de enfisema pulmonar – condição respiratória crônica frequentemente ligada ao tabagismo – e de câncer de pulmão, doenças que podem evoluir de maneira silenciosa por anos.
A pesquisa começou há quase dois anos e utiliza exames de imagem e laudos médicos gerados no Hospital Universitário Antônio Pedro (Huap-UFF) entre 2013 e 2019. A partir desses dados, os pesquisadores estão estruturando um banco de imagens e aplicando ferramentas de IA para identificar padrões visuais e textuais que auxiliem na identificação precoce e na distinção de lesões pulmonares.
A proposta é fruto da colaboração entre os professores Marcos Bedo e Daniel de Oliveira, do Instituto de Computação (IC/UFF), e da professora Cristina Asvolinsque, do Departamento de Radiologia, com a participação de estudantes da graduação e da pós-graduação das duas áreas.
Os primeiros resultados da iniciativa já indicam avanços promissores. O artigo “Aggregating embeddings from image and radiology reports for multimodal Chest-CT retrieval”, assinado pelo mestrando João Vitor Silva Leite, foi apresentado na 37ª edição do IEEE International Symposium on Computer-Based Medical Systems (CBMS) em 2024, recebendo o prêmio de melhor trabalho estudantil do evento.
“A ideia é transformar esse conjunto de dados em uma base consultável por profissionais da saúde, com apoio da Engenharia de Dados e da Inteligência Artificial. Em vez de depender exclusivamente da experiência clínica, histórico e especialização radiológica, o radiologista agora poderá passar a contar com um sistema que auxilia a encontrar exames e laudos semelhantes já registrados em relação a um novo caso não diagnosticado ou em tratamento”, explica o professor Marcos Bedo.
Sistema combina imagens e laudos médicos
A metodologia empregada é baseada na chamada “busca multimodal”, que une diferentes tipos de dados — como imagens e texto — para facilitar o cruzamento de informações. Para isso, os pesquisadores utilizam o sistema de recuperação ChestFinder, projetado para melhorar a busca por tomografias de tórax relacionadas ao enfisema. A ferramenta integra conteúdo visual das imagens com trechos dos laudos feitos por radiologistas. Com apoio de redes neurais e modelos de linguagem, o sistema consegue comparar casos novos com os registros anteriores do banco de dados.
Os testes feitos com dados reais do hospital apontaram que a busca multimodal do ChestFinder — combinando imagem e texto — elevou a acurácia dos resultados em até 52%, quando comparada a buscas que usam apenas as imagens. Esse ganho reforça o potencial do sistema como um suporte relevante para os radiologistas, especialmente na identificação de diferentes tipos de enfisema.
“Ao unir diferentes áreas do conhecimento, a gente tem uma grande esperança de que a inteligência artificial traga benefícios concretos para a Radiologia. Com esse trabalho, queremos agregar novas formas de o radiologista interpretar as imagens e não deixar passar nenhum detalhe. Isso pode representar um avanço importante tanto para o SUS quanto para a rede particular, melhorando a forma como enxergamos as imagens e como elaboramos os laudos”, afirmou a professora Cristina Asvolinsque.
