Pesquisadores da Unicamp desenvolveram um novo software, baseado em algoritmos de inteligência artificial, capaz de medir o nível de comprometimento dos pulmões a partir de exames de imagem, acelerando diagnósticos e padronizando laudos. A novidade foi tema de reportagem exibida no Jornal da EPTV, da TV Globo, no dia 15 de julho de 2026. A pesquisadora do BRAINN dra. Leticia Rittner lidera esse trabalho, que usa modelos de aprendizado de máquina para identificar e quantificar áreas lesionadas, gerando um escore objetivo do comprometimento pulmonar.

Assista a reportagem completa – clique na imagem!

A tecnologia promete reduzir a variabilidade entre laudos humanos e oferecer suporte rápido a médicos em hospitais e unidades de emergência, especialmente em cenários de alta demanda. Além de agilizar a triagem, o sistema pode ser útil no monitoramento da evolução clínica e na avaliação da resposta a tratamentos. Um hospital universitário holandês já está utilizando o software em seus atendimentos.

Aplicações práticas

• Monitoramento de pacientes com doenças pulmonares crônicas ou agudas.
• Triagem em hospitais e unidades de emergência.
• Possível uso em pesquisas clínicas para quantificar resposta a tratamentos.

Os desenvolvedores ressaltam a importância da validação clínica ampla e da integração cuidadosa com fluxos médicos: a IA é uma ferramenta de apoio, não um substituto do laudo médico. Com parcerias clínicas e testes em diferentes equipamentos e populações, a solução da Unicamp pode se tornar um recurso valioso para gestão de doenças respiratórias.

Saiba mais sobre a iniciativa e seu potencial impacto na prática clínica e na pesquisa em saúde. Assista ao vídeo da reportagem para conferir a entrevista com a dra. Rittner.

UNICAMP: Software usa IA para mapear lobos pulmonares em doenças graves

Autoria SEC Unicamp | Fotografia SEC Unicamp

Durante a pandemia de Covid-19, o grau de comprometimento do pulmão do paciente se tornou um dos principais marcadores de gravidade da doença. Na maioria dos hospitais, essa informação era estimada: o radiologista examinava a imagem da tomografia do paciente e calculava, a olho nu, a extensão atingida no pulmão. Contudo, quando dois ou três médicos avaliavam a mesma imagem, chegavam a resultados diferentes. “Isso é muito pouco reprodutível, porque é intuitivo. O profissional olha e faz a avaliação, sem uma medida quantitativa”, diz Sérgio San Juan Dertkigil, docente da Faculdade de Ciências Médicas (FCM) da Unicamp e diretor do setor de radiologia do Hospital de Clínicas da Universidade.

Um método desenvolvido na Unicamp e apresentado em um artigo publicado em abril na revista Scientific Reports, do grupo Nature, pode mudar esse cenário. Pesquisadores das áreas de Medicina e Engenharia da Universidade uniram esforços para construir um algoritmo com inteligência artificial capaz de identificar e delimitar, automaticamente, estruturas pulmonares mesmo em tomografias de pacientes com Covid-19 grave ou câncer avançado. Denominado LobePrior, o software consegue atuar onde falham outras tecnologias do gênero, que são menos eficazes para casos mais graves (quando a doença encobre as referências anatômicas internas) por serem treinadas para ler pulmões saudáveis ou com lesões leves.

Veja também

Conexão Record News: Dra. Leticia Rittner explica uso da IA em pesquisas sobre danos da COVID-19 nos pulmões

“Um software como esse consegue fazer essa quantificação em segundos ou minutos, com reprodutibilidade superior à análise manual”, afirma Dertkigil. Testada em quatro conjuntos de dados independentes, a nova IA superou os três principais métodos disponíveis na literatura, chegando a 97% de concordância com as anotações manuais de radiologistas nos casos de Covid-19 (os mais difíceis de analisar).

O LobePrior é resultado de três anos de pesquisa de doutorado realizada por Jean Antonio Ribeiro na Faculdade de Engenharia Elétrica e de Computação (FEEC), sob orientação da professora Letícia Rittner. Seu desenvolvimento contou com a parceria com médicos, pesquisadores e docentes da FCM.

O código completo da IA está disponível gratuitamente no site do Medical Image Computing Laboratory (MICLab – Laboratório de Imagem Médica por Computação), da Faculdade de Engenharia Elétrica e de Computação (FEEC) da Unicamp, no endereço eletrônico github.com/MICLab-Unicamp/LobePrior. Também foi integrado ao MEDPSeg, uma ferramenta do laboratório utilizada por pesquisadores para estudar comprometimento pulmonar em pacientes submetidos a radioterapia. Para uso clínico no SUS, a aprovação da Anvisa e a validação em diferentes ambientes hospitalares ainda são necessárias, além da ampliação da pesquisa.

O diferencial

O pulmão direito tem três lobos (superior, médio e inferior) e o esquerdo, dois (superior e inferior), separados por estruturas chamadas fissuras pulmonares. Saber quais deles estão comprometidos, e em que extensão, orienta diagnósticos, planejamento cirúrgico e avaliação de tratamentos. Cânceres e tuberculose tendem a afetar mais os lobos superiores; já a Covid-19, os inferiores, que são mais irrigados. Sem delimitá-los, a análise de um radiologista fica necessariamente qualitativa, sem valores.

O problema surge quando a doença é grave, explica Dertkigil. Em uma pneumonia extensa ou um tumor avançado, as fissuras ficam “apagadas” sob as lesões na imagem, e as referências visuais desaparecem. Já o LobePrior foi desenvolvido para detectar justamente casos em que o pulmão está adoecido – com Covid, pneumonia ou câncer, por exemplo –, pois nessas situações a anatomia do órgão muda, pontua Rittner.

Problema básico

Antes de desenvolver o método, era preciso resolver um problema básico, porém essencial: encontrar o material para ensinar a máquina a identificar esses desafios. Para que um algoritmo aprenda a reconhecer pulmões gravemente comprometidos, ele precisa ter visto muitos nessa situação, e esse tipo de dado é raro, sensível e de difícil acesso. A pandemia, no entanto, criou as condições para isso.

Entre abril e outubro de 2020, o Hospital de Clínicas da Unicamp coletou 30 tomografias de pacientes internados com Covid-19 para estudos detalhados da doença. Essas imagens foram anonimizadas – passaram por tratamento de dados para que não pudessem ser associadas a pacientes específicos – e aprovadas pelo Comitê de Ética em Pesquisa. Alguns anos depois, acabaram servindo como base para o doutorado de Ribeiro.

A primeira tarefa dele foi aprender a ver o que os radiologistas veem. Juntamente com Fabiano Reis, professor da FCM, e o engenheiro passou semanas identificando as fissuras pulmonares nas três vistas possíveis das imagens volumétricas. “Fizemos a anotação das imagens. Eu ao lado dele, que foi me ensinando os caminhos do pulmão, onde uma fissura começava e terminava dentro de uma imagem de CT [sigla em inglês para tomografia computadorizada]”, conta.

Anotar é o processo de delimitar digitalmente cada lobo nas imagens, fatia por fatia. Ribeiro anotou manualmente os lobos de outras 30 tomografias de pacientes com câncer de pulmão, de um repositório público internacional. O material foi revisado pelo radiologista Ricardo Siufi Magalhães, da Faculdade São Leopoldo Mandic. O resultado desse trabalho, batizado de Locca (Conjunto de dados de tomografia computadorizada de lobos pulmonares para pacientes de Covid-19 e câncer anotados manualmente, na sigla em inglês), foi publicado como artigo independente em 2025 na revista IEEE Data Descriptions.

Rittner explica que a inovação só foi possível graças à construção dessas bases de dados em conjunto com os profissionais da saúde. “Não tem algoritmo bom sem dado bom”, resume. “Esse dado bom passou por horas e horas de anotação e trabalho feito manualmente, com a ajuda dos médicos. O humano está na entrada e está na saída. A parte do meio é o algoritmo.”

O método

O algoritmo elaborado por Ribeiro opera em três estágios, cada um responsável por uma camada diferente do problema. O primeiro oferece à tecnologia uma visão geral do pulmão. A tomografia é processada em baixa resolução (uma versão simplificada da imagem) para que o sistema localize onde os lobos estão, de forma aproximada, antes de se aprofundar nos detalhes. É como olhar para um mapa antes de entrar numa rua específica.

A precisão se torna importante no segundo estágio. Trabalhando em alta resolução, o algoritmo não tenta identificar todos os lobos de uma vez. Cinco decodificadores (um para cada parte de interesse) atuam simultaneamente, após aprenderem características da estrutura designada – forma, localização e modo como o lobo pulmonar se comporta quando a doença o deforma.

O diferencial está na terceira etapa. Recuperando a ideia dos antigos atlas de segmentação, foi integrado à rede neural do LobePrior um mapa anatômico, isto é, um modelo probabilístico construído a partir de múltiplas tomografias, onde cada lobo pulmonar é representado em sua localização exata. A ideia é servir de apoio para aumentar a segurança da rede neural, sobretudo em casos em que as lesões apagam as referências anatômicas. “Não adianta procurar o lobo superior direito do lado esquerdo, porque não é lá que ele está”, simplifica Rittner.

Letícia Rittner, professora da FEEC, orientou a pesquisa, que envolveu a parceria com médicos, pesquisadores e docentes da FCM

Para completar, o grupo desenvolveu lesões sintéticas computadorizadas, extraindo imagens de lesões de casos graves e inserindo-as em imagens de pulmões saudáveis. Desta forma, foram criadas tomografias artificiais com intensidades realistas – uma ideia adaptada de estudos com ressonância magnética cerebral. Os experimentos realizados confirmaram que essa camada “extra” de trabalho melhorou o desempenho da IA, especialmente nos cenários mais adversos.

O caminho para chegar a esse método não foi linear, tampouco direto. “Parecia um limite quase intransponível. Foram três anos do Jean tentando: modifica a rede aqui, modifica algo ali. Muita coisa mostrou não funcionar”, lembra Rittner. O salto veio justamente com a combinação dos modelos probabilísticos e das lesões sintéticas. Em 2024, uma versão anterior do trabalho já havia sido premiada no Congresso Brasileiro de Engenharia Biomédica.

Pergunta distante

O LobePrior não nasceu da pandemia. A ideia que o originou é mais antiga e vem de outro território clínico. Por volta de 2006, Rittner conheceu a reumatologista Simone Appenzeller, da FCM, no Canadá, onde ambas faziam pós-graduação. Desde aquela época, elas buscavam trabalhar juntas, com um mesmo propósito: dar objetividade ao que na clínica ainda é julgado a olho nu.

Em doenças autoimunes que atacam o pulmão de forma progressiva, por exemplo, a decisão de manter ou trocar o medicamento imunossupressor depende de limiares numéricos: acima de 40% de comprometimento do órgão, a medicação é alterada. Na prática, porém, essa medida é baseada em avaliação clínica. “Tem muita subjetividade nesse processo. Isso é dramático na vida das pessoas”, diz Appenzeller.

A ideia era desenvolver uma ferramenta para essas doenças crônicas, mas a pandemia de coronavírus mudou a rota. O Hospital de Clínicas acumulou tomografias de casos graves de Covid-19, a Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (Capes) lançou uma chamada específica para pesquisas sobre epidemias, e Rittner foi contemplada com um projeto de telemedicina. Escolher a Covid-19 foi estratégico, pois o grupo de cientistas já tinha um conjunto de dados organizado, com pacientes bastante estudados. As alterações causadas pelo vírus serviram como base de treinamento eficiente para pulmões alterados de modo geral: a doença-alvo mudou, mas a pergunta de fundo, não. O próximo passo planejado é retomar o problema original para validar o LobePrior para doenças inflamatórias, pois distinguir inflamação ativa de cicatriz irreversível define condutas.

Do laboratório ao hospital

Na prática, explica Dertkigil, o LobePrior oferece ao médico a substituição da estimativa visual por um número objetivo, o que os radiologistas chamam de radiômica, ou radiologia quantitativa. “Esses softwares conseguem quantificar com um viés menor do que o ser humano”, diz o professor. A diferença entre análises, portanto, deixa de existir. No caso do câncer de pulmão, a aplicação mais promissora não é modificar tratamento, mas antecipar o diagnóstico de quem ainda não o tem.

Programas de rastreamento com tomografia de baixa dose para fumantes e trabalhadores expostos a substâncias cancerígenas esbarram num gargalo concreto: faltam radiologistas em número suficiente para processar o volume de exames que seriam gerados. Um software capaz de fazer a triagem inicial pode mudar essa equação. “A gente enxerga essa tecnologia como um acelerador muito grande de diagnóstico. Isso possibilitaria destravar programas de rastreamento de câncer de pulmão, de modo que a gente conseguisse fazer diagnóstico muito mais precocemente”, prevê o diretor da radiologia da Unicamp.

Colaboração multidisciplinar

A parceria entre Dertkigil e Rittner não começou agora. Os dois já haviam colaborado num projeto anterior de segmentação pulmonar com o pesquisador Diedre Santos do Carmo, que também assina o artigo sobre o LobePrior publicado. “Pesquisa só é possível quando você reúne físicos, engenheiros eletricistas, matemáticos, médicos. E todo mundo trabalha junto, porque cada um deposita um pedacinho do seu conhecimento para construir alguma coisa maior do que as partes”, diz Dertkigil.

Para Rittner, disponibilizar a tecnologia abertamente é parte constitutiva dessa lógica.

“O que o Jean fez, aprendeu e usou durante anos agora está ali, público, tanto o conjunto de dados quanto o código do algoritmo, de forma completamente gratuita. A gente entende que ciência, para ter impacto, deve ser assim. Não se trata apenas de fornecer a ferramenta, mas de oferecer uma oportunidade para outras pessoas aprenderem a partir daqui e avançar. Sem ter que começar do zero.”

Adaptação de matéria da FEEC Unicamp

A Pró-Reitoria de Pesquisa da UNICAMP acaba de agraciar com Mérito Científico o trabalho “Desenvolvimento de uma câmera multiespectral de baixo custo para análise de lesões de pele em pacientes de lúpus” apresentado pelo aluno Nathan Shen Baldon sob orientação da Profa. Leticia Rittner. O referido trabalho foi avaliado como um dos 20 melhores trabalhos de Iniciação Científica apresentados durante o XXXI Congresso de Iniciação Científica da Unicamp.

Enquanto as câmeras multiespectrais comerciais são muito caras (dezenas de milhares de dólares), o que dificultaria a viabilização de imagens multiespectrais em unidades do Sistema Único de Saúde (SUS), o trabalho desenvolvido junto ao Laboratório de Imagens Médicas (MICLab) mostrou ser possível construir um dispositivo com custo 100 vezes menor capaz de adquirir imagens multiespectrais com potencial uso na medicina.

Comentário da dra. Rittner no LinkedIn:

Hoje participei da cerimônia de premiação dos trabalhos de Iniciação Científica apresentados no XXXIII Congresso PIBIC da Universidade Estadual de Campinas. O trabalho do meu aluno Nathan Shen Baldon foi agraciado com o Prêmio de Mérito Científico. Eu não podia estar mais feliz (a foto diz tudo). Porque não se trata de mais um certificado na parede, ou mais uma linha no Currículo. Se trata de testemunhar uma nova geração de talentos desabrocharem. Se trata de plantar e colher.

“A inteligência artificial faz cada vez mais a diferença na área da saúde. Pesquisadores da Unicamp usaram essa tecnologia para mapear com precisão os danos causados pela Covid-19 nos pulmões de pacientes infectados. Para explicar como a inteligência artificial foi usada nesse mapeamento e também como isso pode ajudar no tratamento de outras doenças, conversamos com Leticia Rittner, coordenadora do laboratório de imagens da Unicamp, que é uma das responsáveis pela pesquisa.”

No último dia 29 de junho, a pesquisadora do CEPID BRAINN dra. Leticia Rittner foi entrevistada pelo programa Conexão Record News. Em uma conversa de mais de 10 minutos com os apresentadores Kelly Godoy e Heródoto Barbeiro, a cientista tirou dúvidas dos jornalistas e detalhou como funciona o algoritmo de inteligência artificial treinado na Unicamp capaz de identificar, em cerca de 10s, danos estruturais aos pulmões causados pela COVID-19.

“Nós começamos este estudo junto com a pandemia, quando percebemos que a nossa especialidade – a análise de imagens médicas – poderia trazer algum tipo de ajuda para os médicos que estavam tentando mapear a doença, entender seu avanço e quantificá-la”, explicou a dra. Rittner.

“O objetivo não era o diagnóstico – porque para isso havia o teste –  mas sim tentar compreender o grau de severidade da doença, fornecer dados sobre o quanto a doença está progredindo ou regredindo, o quanto está afetando os pulmões. Isso era bastante significativo para os médicos, que tentavam separar casos graves de casos leves, casos que exigiam internação e aqueles que podiam ir para casa; então, a ideia de desenvolver esse algoritmo de inteligência artificial foi apoiar o entendimento [da doença] e uma quantificação de sua severidade, para que os médicos pudessem, por exemplo, escolher a melhor conduta para aquele paciente”, detalhou a pesquisadora.

Dentre os temas debatidos no programa estão a importância de disponibilizar aos médicos um diagnóstico rápido e preciso das imagens médicas, se essa nova metodologia pode ser utilizada no acompanhamento de outras doenças e se é possível ser utilizada por profissionais de saúde no SUS.

Assista a seguir à entrevista completa, que já soma mais de mil visualizações no Youtube:

https://www.youtube.com/watch?v=toOZVCXA7rs

Por Gabriella Ramos, g1 Campinas e Região

Método começou a ser desenvolvido em 2020 para facilitar o acompanhamento da evolução da doença. Algoritmo também é utilizado para estudar efeitos da Covid longa.

Aplicando inteligência artificial a imagens obtidas por meio de tomografia computadorizada, pesquisadores do Laboratório de Computação de Imagens Médicas da Unicamp, em Campinas (SP), conseguiram mapear com precisão os danos da Covid-19 nos pulmões de pacientes infectados.

A pesquisadora Letícia Rittner, professora da Faculdade de Engenharia Elétrica e de Computação, explica que o método começou a ser desenvolvido em 2020, no ápice da pandemia, a fim de possibilitar o acompanhamento da evolução da doença com mais exatidão.

“Os médicos tinham necessidade de estimar quão comprometido o pulmão estava e acompanhar se a pessoa estava melhorando ou piorando. Para que isso acontecesse, existe uma necessidade de você, a partir de uma tomografia, medir a área comprometida. Isso até então era feito visualmente. O médico olhava e dizia ‘isso é leve, isso é severo’, de uma forma subjetiva, sem um número”, afirma.

Frente a imagens obtidas por meio de tomografia computadorizada, a inteligência artificial desenvolvida pelos pesquisadores foi treinada para separar a imagem do pulmão do restante do corpo. A partir disso, o algoritmo encontra e sinaliza as partes não saudáveis do órgão.

Renderização 3D do pulmão (vermelho) vias aéreas (azul) e regiões acometidas pela Covid (verde) de um paciente, computadas automaticamente pelo método — Foto: Diedre Carmo/Arquivo pessoal

“As regiões ‘borradas’ na imagem são as que estão comprometidas por conta de doenças. A Covid é uma delas, mas a pneumonia e outras doenças respiratórias às vezes têm efeito parecido. O método encontra essas regiões, delimita as bordas e consegue dar um número preciso dizendo, por exemplo, que 82% do pulmão está comprometido”, diz a professora.

Treinamento intensivo

Para que a inteligência artificial aprendesse a diferença entre pulmões saudáveis e infectados, os pesquisadores realizaram um treinamento que consistiu na apresentação de diversas imagens de exemplo ao algoritmo, permitindo a identificação do perímetro do órgão.

A partir desse aprendizado, o método passou identificar as “bordas” dos pulmões e, na sequência, calcular automaticamente o volume de áreas afetadas considerando a quantidade de pixels em cada imagem.

“No começo o nosso método se saía muito bem nas imagens do nosso hospital, mas não no conjunto de dados vindos de outro hospital. Levou um tempo para fazermos o método funcionar em diferentes contextos, imagens e equipamentos de tomografia de diferentes países. Para isso, ele foi treinado em imagens do mundo todo”, explica a pesquisadora.

A pesquisa foi desenvolvida pelo aluno Diedre Santos do Carmo sob orientação, além de Rittner, do pesquisador Roberto de Alencar Lotufo. Recentemente, Carmo foi aos Estados Unidos e passou seis meses estudando a aplicação do método em pacientes na Universidade de Iowa.

Leia a matéria completa no site do G1 Campinas e Região

17 de novembro de 2021  | por Redação WebContent

Com muita tecnologia, inovação e interação, começou hoje o 17^th International Symposium on Medical Information Processing and Analysis (SIPAIM). O evento ocorre até o dia 19. Pela primeira vez tendo o Brasil como sede, o SIPAIM acontece este ano em conjunto com o 10^th Symposium on Medical Instrumentation and Imaging (SIIM).

Desde sua primeira edição, o SIPAIM já percorreu diversos países da América Latina, como Argentina, Colômbia, Equador, México, Venezuela e Peru, e tem o objetivo de promover a pesquisa médica em áreas como imageamento e análise de dados. O simpósio une cientistas de diversas áreas do conhecimento, engenheiros, médicos, educadores e estudantes em debates sobre o estado-da-arte em pesquisas acadêmicas e em inovações tecnológicas. Com intuito similar, o SIIM foi criado em 2000 por estudantes e professores da USP São Carlos, e nesse ano junta forças com o SIPAIM em um encontro internacional de peso, repleto de interatividade entre os participantes.

Ao longo dos três dias de evento, os participantes poderão assistir a palestras de quatro keynote speakers, onze sessões técnicas e de pôsteres – que discutirão assuntos como Imageamento Médico e Biomédico, Análise de Biosinais, E-health e Inteligência Artificial -, duas sessões especiais sobre inovações em tecnologia médica (com demonstrações ao vivo de protótipos de produtos) e histórias de sucesso entre pesquisadores da área da saúde e de tecnologia.

O evento ocorre em ambiente virtual na plataforma Gather, que permite aos participantes criar avatares (em um charmoso estilo pixel art) e explorar um pequeno ‘mundo virtual’ moldado especialmente para o SIPAIM. Os avatares podem interagir com diversos objetos criados pelos organizadores, caminhar por salas e ambientes distintos e conversar, via chat, áudio ou vídeo, com os demais participantes. No mundo criado para o SIPAIM, os usuários acessam inicialmente um lounge em que podem encontrar outros participantes e obter informações gerais do evento; depois, caminham até salas em que sessões específicas acontecem, como os auditórios de palestras, as salas de exibição de pôsteres e as de demonstrações. Ao acessar a sala virtual de pôsteres, por exemplo, é possível aproximar o personagem de um pôster virtual e, ao interagir com ele, abrir uma versão completa da imagem, em alta resolução, em seu computador.

A plataforma Gather é a “sede virtual” do evento.

Abrindo os trabalhos no primeiro dia de evento, a General Chair do SIPAIM 2021, dra. Leticia Rittner, pesquisadora da FEEC Unicamp e do CEPID BRAINN, deu as boas-vindas aos participantes em uma sessão especial, que contou com a participação de Helio Schectman, presidente da Sociedade Brasileira de Engenharia Biomédica, Antônio José de Almeida Meirelles, reitor da Unicamp, José Alexandre Diniz, diretor da Faculdade de Engenharia Elétrica e de Computação da Unicamp, Natasha Lepore, pesquisadora da University of South California e membro do steering commitee do evento, Eduardo Tavares, chair do SIIM, e demais convidados. Neste primeiro dia, além de keynotes, palestras, sessões técnicas e de pôsteres, os inscritos ainda puderam aproveitar momentos de descontração e interação virtual no “Welcome Show“, que contou com animadas conversas informais e competições de conhecimentos gerais sobre o Brasil.

CONHEÇA OS KEYNOTES DO EVENTO

• Dr. Daniel Racoceanu, Sorbonne University, France – apresentará o tema “Computational Pathology – from Cancers to Neuropathology : pathway of a modern gold standard“
• Dr. Pamela Guevara, Universidad de Concepción, Chile – apresentará o tema  “Study of structural brain connectivity based on diffusion MRI”
• Dr. Leo Joskowicz, Hebrew University of Jerusalem, Israel – apresentará o tema “Accelerating Deep Learning Medical Image Analysis in Radiology”
• Dr. Alexandre Falcão, UNICAMP – apresentará o tema “Human-machine interaction for medical image analysis based on convolutional neural networks”

PARA MAIS INFORMAÇÕES

Acesse as redes sociais do SIPAIM 2021 e o website oficial do evento.

AGENDA

• Candidata: Thais de Oliveira Caldeira – Mestrado
• Data: 09 de abril (sexta-feira)
• Horário: 9h
• Título: Corpus callosum studies in diffusion MRI: a web-based software for data processing, exploration and visualization
• O link de acesso para a assistir à defesa pública online é: https://stream.meet.google.com/stream/b1b10c72-6f41-470f-95bb-8f2ee02c0f71 

26 de fevereiro de 2021  | por Redação WebContent

As pesquisadoras do CEPID BRAINN dra. Letícia Rittner e dra. Clarissa Yasuda, juntamente com o pesquisador dr. Roberto Lotufo (previamente associado ao CEPID) e colegas, publicaram este mês, no periódico científico Heliyon, do grupo CELL, um trabalho em que descrevem um novo método de segmentação do hipocampo em imagens de ressonância magnética, baseado em deep learning.

Segundo os pesquisadores, “o método alcançou o estado da arte em segmentação de hipocampo em pacientes com Alzheimer e também em pacientes com epilepsia, que apresentavam ressecções de hipocampo”, representando um importante avanço na área.

A segmentação do hipocampo em imagens de ressonância magnética é objeto essencial para o estudo, o diagnóstico e o tratamento de diversas doenças neuropsiquiátricas. Todavia, hoje em dia, essa segmentação ou é realizada manualmente, em um processo custoso e complexo, ou é automatizada, com base em algoritmos que foram “treinados” a partir de imagens de cérebros saudáveis ou de pessoas com Alzheimer. Os resultados desses treinamentos não necessariamente seriam válidos para a segmentação do hipocampo em outros casos clínicos, como por exemplo em pessoas com epilepsia e ressecção nesta região cerebral. E foi justamente nesses casos que o grupo de pesquisadores focou seus trabalhos.

O resultado do estudo é a criação de uma nova metodologia de segmentação de hipocampo, de código aberto, baseada em deep learning e nas chamadas Convolutional Neural Networks. Para detalhes sobre o estudo, o paper “Hippocampus segmentation on epilepsy and Alzheimer’s disease studies with multiple convolutional neural networks” pode ser lido integralmente no link abaixo:

REFERÊNCIAS

• Diedre Carmo, Bruna Silva, Clarissa Yasuda, Letícia Rittner, Roberto Lotufo. Hippocampus segmentation on epilepsy and Alzheimer’s disease studies with multiple convolutional neural networks. Heliyon, Volume 7, Issue 2, 2021.https://doi.org/10.1016/j.heliyon.2021.e06226.

09 de outubro de 2020  | por Redação WebContent

A parceria entre os dois grupos de pesquisa desenvolve soluções inovadoras que empregam Inteligência Artificial (I.A.) na análise de imagens médicas, auxiliando no diagnóstico de doenças como a COVID-19.

Em setembro, o trabalho do consórcio foi o vencedor dos desafios propostos pelo IdeiaGov, uma iniciativa do governo do estado de São Paulo para incentivar o desenvolvimento de novas tecnologias para aprimoramento da saúde pública (saiba mais sobre os desafios do IdeiaGov aqui).

Agora, em outubro, as inovações do grupo de pesquisas foram reconhecidas com a premiação COVID Solution Award na competição de pitches do MICCAI Startups Village, evento que ocorre durante a 23ª Conferência MICCAI (Medical Image Computing & Computer Assisted Intervention).

MICCAI 2020

Em 2020, pela primeira vez, o encontro anual da MICCAI ocorreu de maneira virtual. Compreensivelmente, boa parte do foco do evento foi em soluções para a atual pandemia da COVID-19. Mais de 100 startups se inscreveram para a competição de pitch, tendo sido julgadas por profissionais das indústrias de tecnologia e saúde, como membros da MICCAI, da SIPAIM e da NVIDIA Global Healthcare AI Startups.

O evento celebrou as conquistas de startups inovadoras, que desenvolvem soluções que prometem melhorar dramaticamente o processamento de informações, o aprendizado de máquina e a modelagem computacional para a área da saúde. Pesquisas de ponta em radiologia acionada por IA, patologia, robótica médica, intervenções auxiliadas por computador e informática em saúde foram apresentadas ao longo do evento.

No quadro em destaque (borda amarela), o dr. Roberto Lotufo, da NeuralMind e pesquisador do CEPID BRAINN.

Os vencedores das 06 categorias principais foram anunciados em reunião virtual, via Zoom. “Ficamos inspirados pela vibrante comunidade de inovadores que se juntaram a nós neste esforço de I.A. para ajudar a tornar o atendimento ao paciente mais automatizado, acessível e escalonável”, disse Renee Yao, líder de startups de IA da NVIDIA Global Healthcare. “Nossos vencedores realmente acreditam em suas soluções e desejam ajudar da maneira que puderem. Pretendemos abrir portas para que eles validem suas ideias, entrem no mercado com mais rapidez e prestem um atendimento melhor. ”

14 de setembro de 2020  | por Redação WebContent

A parceria entre o Medical Image Computing Lab (MICLab), da Faculdade de Engenharia Elétrica e de Computação da Unicamp e coordenado por Rittner, e a Neuralmind, startup de tecnologia fundada por Lotufo, recentemente venceu dois desafios propostos pelo IdeiaGov. Trata-se de um projeto de inovação tecnológica do governo do Estado de São Paulo com grande potencial de aprimorar a saúde pública, fornecendo novas armas às equipes médicas no combate à COVID-19.

Leticia Rittner e Roberto Lotufo fazem parte da equipe de pesquisadores do CEPID BRAINN.

NOVIDADES TECNOLÓGICAS NO COMBATE À COVID-19

Em junho deste ano, o IdeiaGov (saiba mais sobre o programa abaixo) lançou um edital com dois desafios principais: criar algoritmos que pudessem identificar, a partir de imagens médicas de raios-X e de tomografias computadorizadas, quais pacientes poderiam estar com COVID-19. As imagens eram da região pulmonar e as lesões observadas deveriam ser analisadas e classificadas por esses programas.

O objetivo do desafio é a criação de programas de computador capazes de processar, de maneira automática, exames médicos de pessoas com suspeita de COVID, fornecendo resultados confiáveis, rápidos e facilmente interpretáveis para as equipes médicas. Com isso, será possível aprimorar o tratamento recebido pela população, além de abrir portas para a criação de novos produtos e serviços na área médica.

Imagens de tomografias de pacientes reais foram analisadas pela Inteligência Artificial em busca de indícios de COVID-19.

Os participantes do desafio do IdeiaGov receberam do governo arquivos com raios-x e tomografias reais de pacientes com e sem COVID-19 e precisaram trabalhar sobre este material para “treinar” os algoritmos. Nas etapas finais, foram enviados materiais sem descrição sobre qual doença representavam; apenas a equipe avaliadora do IdeaGov – composta por profissionais de saúde, TI e inovação do Hospital das Clínicas da USP – sabia as respostas corretas.

Os vencedores do desafio foram os grupos que mais se aproximaram do diagnóstico real, apresentando análises realizadas por Inteligência Artificial que apontaram quais raios-X e quais tomografias eram de pacientes com a COVID-19, quantificando e classificando as lesões observadas.

PROJETO DUPLAMENTE VENCEDOR

O trabalho do MICLab e da Neuralmind envolveu o uso de inteligência artificial – uma das especialidades da Neuralmind – na análise das imagens médicas, área de excelência do MICLab. Em entrevista à INOVA Unicamp, Lotufo comentou:

“Quando eu li sobre o edital, imaginei que tínhamos chance de ganhar porque trabalhamos com isso há muito tempo. Mas, somente com a Neuralmind, não seria possível ganhar esse desafio. A conexão da nossa expertise com a do MICLAB foi essencial para sermos selecionados”.

Utilizar inteligência artificial na análise dessas imagens médicas não foi simples. Afinal, o volume de dados fornecidos pelo desafio era relativamente pequeno. Além disso, a COVID-19 ainda é um assunto novo, sendo ativamente estudado por equipes médicas do mundo todo, e não há um consenso sobre marcadores específicos para a doença. Como os sintomas e os efeitos no corpo do novo coronavírus são muito similares aos de outras infecções pulmonares e processos inflamatórios, realizar a triagem das imagens exigiu estudos e trabalhos adicionais do time de pesquisadores.

O novo coronavírus pode atacar o pulmão de maneira rápida e generalizada.

“Durante a pandemia, os alunos que compõem o laboratório [MICLab] se mostraram muito engajados a estudar artigos e conjunto de dados de todo o mundo relacionados à doença. Essa iniciativa nos ajudou a focar na COVID. Estamos há 4 meses estudando sobre como nossa experiência com a ressonância magnética aplicada em imagens de cérebro pode alavancar novas soluções em imagens de tomografia computadorizada de pulmão”, disse Rittner à INOVA Unicamp.

Na terceira e última etapa do desafio de analisar imagens médicas por radiografia, 12 grupos participaram e apenas 02 foram aprovados pelo IdeaGov. No caso do desafio das imagens por tomografia, participaram 07 grupos nesta fase final, e novamente apenas 02 foram aprovados. Somente o consórcio entre o MICLab e a Neuralmind foi aprovado em ambos os desafios. Além disso, vale ressaltar que, em termos de eficiência do algoritmo apresentado, o trabalho do consórcio foi o primeiro colocado em ambas as categorias.

O QUE VEM PELA FRENTE

Após o anúncio dos vencedores do desafio do IdeiaGov, o consórcio MICLab/Neuralmind entrará em uma nova fase do programa, com acesso a know-how e suporte técnico das equipes do HC da USP, do Instituto de Pesquisas Tecnológicas do Estado de São Paulo (IPT) e da Companhia de Processamento de Dados de São Paulo (PRODESP).

Nova fase do programa contará com dados médicos e suporte técnico de outros órgãos e instituições do estado de SP, incluindo o HC da USP.

Em especial, os pesquisadores poderão contar com uma quantidade maior de dados médicos para treinar os algoritmos e aprimorar os resultados das análises de imagens.

Além disso, abre-se a possibilidade de, no futuro, implementar a solução tecnológica em hospitais de São Paulo, validando-a e obtendo dados reais de uso com pacientes.

Ter um programa capaz de analisar imagens médicas de pacientes com COVID será importantíssimo para auxiliar equipes médicas na tomada de decisão sobre o prognóstico e o tratamento da doença, ajudando-as a decidir, por exemplo, quando é momento de internação dos pacientes e quando eles podem ser liberados.

Este é mais um exemplo de alta tecnologia trabalhando em prol da saúde pública e da eficiência nos tratamentos médicos, em especial durante momentos críticos como os atuais.