Onde estamos na IA para análise de imagens endoscópicas? Decifrando lacunas e direções futuras

npj Digital Medicine volume 5, Número do artigo: 184 (2022) Citar este artigo

4577 Acessos

15 Altmétrica

Detalhes das métricas

Desenvolvimentos recentes em aprendizado profundo permitiram algoritmos orientados a dados que podem atingir desempenho de nível humano e além. O desenvolvimento e a implantação de métodos de análise de imagens médicas apresentam vários desafios, incluindo a heterogeneidade dos dados devido à diversidade da população e aos diferentes fabricantes de dispositivos. Além disso, mais informações de especialistas são necessárias para um processo de desenvolvimento de método confiável. Embora o crescimento exponencial dos dados de imagens clínicas tenha permitido o florescimento do aprendizado profundo, a heterogeneidade dos dados, a multimodalidade e os casos de doenças raras ou imperceptíveis ainda precisam ser explorados. Sendo a endoscopia altamente dependente do operador com resultados clínicos sombrios em alguns casos de doença, a orientação confiável e precisa do sistema automatizado pode melhorar o atendimento ao paciente. A maioria dos métodos projetados deve ser mais generalizável para os dados-alvo não vistos, variabilidade da população de pacientes e aparência variável da doença. O artigo revisa trabalhos recentes sobre análise de imagens endoscópicas com inteligência artificial (IA) e enfatiza as atuais necessidades inigualáveis ​​neste campo. Por fim, descreve as direções futuras para soluções complexas de IA clinicamente relevantes para melhorar os resultados dos pacientes.

A endoscopia é um procedimento padrão-ouro para muitos órgãos ocos. É usado principalmente para vigilância de doenças, monitoramento de inflamação, detecção precoce de câncer, caracterização de tumores e procedimentos de ressecção, intervenções de tratamento minimamente invasivas e monitoramento de resposta terapêutica. A análise de imagens endoscópicas começou a ganhar mais atenção nos últimos anos, com um número excedente de métodos baseados em imagens endoscópicas sendo publicados na detecção auxiliada por computador (CADe)1,2,3,4,5, diagnóstico auxiliado por computador (CADx)6 ,7,8,9,10,11 e cirurgia assistida por computador (CAS)12,13,14,15,16. Ao contrário de outros dados radiológicos (por exemplo, raios X, TC, RM), a imagem endoscópica e sua análise é um tópico altamente especializado e desafiador. A imagem endoscópica tem dependências multifatoriais, incluindo grande dependência do operador (por exemplo, experiência e treinamento), questões relacionadas ao escopo (por exemplo, variabilidade da qualidade das imagens) e sublinhando a dinâmica da cena (por exemplo, corrupção iminente de quadros com artefatos graves, movimento de órgãos grandes e desvios de superfície17). Padrões de qualidade em intervenções endoscópicas gastrointestinais são discutidos em vários estudos de diretrizes notáveis18,19. Alguns trabalhos recentes exploraram áreas de aprendizado profundo para automatizar métricas para avaliar a qualidade da endoscopia. Estes são especialmente críticos na quantificação de pontos cegos20,21. Embora a reconstrução 3D baseada em SLAM tenha sido usada para gerar mapas colônicos18, o comprimento e a área do precursor do câncer gastrointestinal superior (GI), o esôfago de Barrett, foram quantificados usando a técnica de estimativa de profundidade baseada em aprendizado profundo22. Da mesma forma, a tarefa mais crucial para procedimentos cirúrgicos minimamente invasivos (por exemplo, laparoscopia) é entender e interpretar a cena sublinhada.

Embora uma reconstrução 3D de órgãos ocos seja vital, ela é difícil de ser realizada por vários motivos, incluindo deformação de órgão altamente não linear, confusão de cena (por exemplo, fluxo de fluido, sangue) e oclusão (por exemplo, gordura ao redor de cirurgia hepática). Assim, a maioria das pesquisas está focada na avaliação da cena local usando métodos de classificação, detecção e segmentação. A detecção e caracterização da lesão, juntamente com seu delineamento, é o foco principal da endoscopia digestiva1,2,3,4,5,6,7,8,9,10,11. Da mesma forma, a segmentação de cálculo direcionada e sua caracterização é o foco principal na ureteroscopia23 e a detecção de tumor24 foi explorada na cistoscopia. Para intervenções laparoscópicas minimamente invasivas, classificação de ferramentas cirúrgicas12, detecção e segmentação13, reconhecimento de fase12,14, segmentação de pontos de referência associados15 e sobreposição de volume 3D pré-operatório em laparoscopia 2D interoperatória16 tem sido uma área de foco. Um resumo representativo dos principais objetivos e várias tarefas de análise de imagem endoscópica para diferentes intervenções endoscópicas é apresentado na Fig. 1.