Desenvolvimento de sistema estruturado com inteligência artificial para apoio no diagnóstico de patologias oftalmológicas mais relevantes / Development of a structured artificial intelligence system to support the diagnosis of the most relevant ophthalmic diseases

Introdução: A inteligência artificial (IA) está revolucionando a área da saúde. Na oftalmologia, esta tecnologia pode possibilitar diagnósticos mais rápidos e precisos, impedindo a progressão das alterações na visão. Médicos e algoritimosalgoritmos podem ser mais eficientes quando trabalham juntos. Desenvolver um software de IA com alta especificidade e sensibilidade para apoio no diagnóstico de algumas patologias oftalmológicas. Métodos: O software de deep learning foi construído através de redes neurais valendo de duas bases computacionais MobileNet e Inception. Para o treinamento do banco de dados foram utilizadas 2.520 imagens de glaucoma, retinopatia diabética, toxoplasmose ocular, papiledema, descolamento de retina e retina normal. Para a validação foi utilizado 428 imagens patológicas e normais para os cálculos de sensibilidade e de especificidade. Todas as imagens foram cedidas da Sociedade Americana de Especialistas da Retina. Resultados: Os resultados de sensibilidade e especificidade foram no MobileNet de 91% (IC 95%, 89-92%) e 98,5% (IC 95%, 98-99%); no Inception, de 91,4% (IC 95%, 89-93,5%) de 98,4% (IC 95%, 98-98,8%), respectivamente. Não houve diferença significativa entre os dois métodos utilizados. Conclusão: O software apresentou resultados promissores na distinção das condições oftalmológicas pesquisadas. (AU)

Introduction: Artificial intelligence (AI) is revolutionizing health care. In ophthalmology, this technology can enable faster and more accurate diagnoses, preventing the progression of vision Physicians and algorithms are most effective when working together. To develop an AI software with high specificity and sensitivity to support the diagnosis of some ophthalmic diseases. Methods: A deep learning software was built through neural networks using two computational bases, MobileNet and Inception. For training the database, 2520 images of glaucoma, diabetic retinopathy, ocular toxoplasmosis, papilledema, retinal detachment, and normal retina were used. For validation, 428 pathological and normal images were used for calculations of sensitivity and specificity. All images were obtained from the American Society of Retina Specialists. Results: The results of sensitivity and specificity were 91% (95% confidence interval [CI], 89-92%) and 98.5% (95% CI, 98-99%) on MobileNet, and 91.4% (95% CI, 89-93.5%) and 98.4% (95% CI, 98-98.8%) on Inception, respectively. There was no significant difference between the two methods. Conclusion: The software showed promising results in distinguishing the main ophthalmic conditions surveyed. (AU)

Desenvolvimento de sistema estruturado com inteligência artificial para apoio no diagnóstico de parasitoses intestinais / Development of a structured artificial intelligence system to support the diagnosis of intestinal parasitoses

Introdução: Sistemas de inteligência artificial são tecnologias promissoras de assistência em saúde e diagnóstico laboratorial, que podem ser implementados como métodos de suporte para o diagnóstico de parasitoses intestinais. Este estudo objetivou desenvolver um software de IA que auxilia no diagnóstico laboratorial de parasitoses intestinais, com alta sensibilidade e especificidade. Métodos: O software foi desenvolvido utilizando duas redes neurais, Inception e MobileNet. Primeiro imagens de ovos dos parasitas Ascaris lumbricoides, Trichiuris trichiura, Taenia sp, Hymenolepis nana, Schistosoma mansoni e larvas de Strongyloides stercoralis, foram utilizados para treinar o banco de dados. Posteriormente 2.740 imagens cedidas pelo Laboratório de Parasitologia da Universidade do Oeste de Santa Catarina foram testadas no software. Resultados: O software apresentou sensibilidade de 82,3% (95% intervalo de confiança (IC), 71,9%-89,1%) e especificidade de 95,1% (95% IC, 94,3%-97,8%) para MobileNet e sensibilidade de 72,1% (95% IC, 52,6%-115%) e especificidade de 92,1% (95% IC, 91,7%-97,7%) para Inception. Conclusão: O software apresentou resultados promissores na análise de parasitas intestinais, reforçando que, no futuro, a presença de sistemas de suporte de diagnóstico das parasitoses pode vir a se tornar mais rápido e eficiente. (AU)

Introduction: Artificial intelligence systems are promising technologies for health care and laboratory diagnosis, which can be implemented as support methods for the diagnosis of intestinal parasitoses. This study aimed to develop an artificial intelligence software that assists the laboratory diagnosis of intestinal parasitoses with high sensitivity and specificity. Methods: The software was developed using two neural networks, Inception and MobileNet. First, images of eggs from the parasites Ascaris lumbricoides, Trichuris trichiura, Taenia sp., Hymenolepis nana, Schistosoma mansoni and Strongyloides stercoralis larvae were used to train the database. Then, 2,740 images provided by the Parasitology Laboratory of the Universidade do Oeste de Santa Catarina were tested in the software. Results: The software had a sensitivity of 82.3% (95% confidence interval [CI], 71.9% ­ 89.1%) and a specificity of 95.1% (95% CI, 94.3% ­ 97,8%) for MobileNet and a sensitivity of 72.1% (95% CI, 52.6% ­ 115%) and a specificity of 92.1% (95% CI, 91.7% ­ 97.7%) for Inception. Conclusion: The software showed promising results in the analysis of intestinal parasites, reinforcing that, in the future, the presence of diagnostic support systems for parasitoses may become faster and more efficient. (AU)

Artificial intelligence algorithm for the histopatological diagnosis of skin cancer

Introduction: Cutaneous neoplasms are the most common cancers in the world, and have high morbidity rates. A definitive diagnosis can only be obtained after histopathological evaluation of the lesions. To develop an artificial intelligence program to establish the histopathological diagnosis of cutaneous lesions.Methods: A deep learning program was built using three neural network architectures: MobileNet, Inception and convolutional networks. A database was constructed using 2732 images of melanomas, basal and squamous cell carcinomas, and normal skin. The validation set consisted of 284 images from all 4 categories, allowing for the calculation of sensitivity and specificity. All images were provided by the Path Presenter website.Results: The sensitivity and specificity of the MobileNet model were 92% (95%CI, 83-100%) and 97% (95%CI, 90-100%), respectively; corresponding figures for the Inception model were 98.3% (95%CI, 86-100%) and 98.8% (95%CI, 98.2-100%); lastly, the sensitivity and specificity of the convolutional network model were 91.6% (95%CI, 73.8-100%) and 95.7% (95%CI, 94.4-97.2%). The maximum sensitivity for the differentiation of malignant conditions was 91%, and specificity was 95.4%.Conclusion: The program developed in the present study can efficiently distinguish between the main types of skin cancer with high sensitivity and specificity. (AU)

Method of histopathological diagnosis of mammary nodules through deep learning algorithm / Método de diagnóstico histopatológico de nódulos mamários por meio do algoritmo de aprendizagem profunda

ABSTRACT Introduction: Artificial intelligence systems are promising health care technologies, mainly in medical subareas such as pathology, and can be used as support methods for the histological diagnosis of mammary nodules. Objective: This study describes the method and results of the development of artificial intelligence software for the histopathological analysis of mammary nodules. Methods: The software was developed by using two neural networks - Inception and MobileNet. The database used for learning the conditions analyzed (histologically normal breast, fibroadenoma, fibrocystic changes, in situ ductal carcinoma, invasive carcinoma of no special type and invasive lobular carcinoma) was obtained after authorization of the Path Presenter site with 5,298 images. The 2,740 images used for the validation of the system were obtained from the Pathology Institute of Passo Fundo. Results: The present software had sensitivity of 80.5% [95% confidence interval (CI), 71.9%-89.1%] and specificity of 96.1% (95% CI, 94.3%-97.8%) for MobileNet and sensitivity of 73.8% (95% CI, 52.6%-115%) and specificity of 94.7% (CI 95%, 91.7%-97.7%) for Inception. For the differentiation of malignant conditions, it obtained a maximum sensitivity of 78.7% and specificity of 95.8%; for differentiation of benign conditions, the maximum sensitivity was 82.6% and the specificity was 97.4%. Conclusion: The present software presented promising results in the histopathological analysis of mammary nodules. It reinforced the idea that in the future the presence of diagnostic support systems in breast pathologies may play a crucial role in health care.

RESUMEN Introducción: Los sistemas de inteligencia artificial son tecnologiasprometedoras en asistencia en salud, principalmente en áreas médicas como la patologia; pueden ser usados para el diagnóstico histopatológico de nódulos mamarios. Objetivo: Este estudio presenta el método y los resultados de la construcción de un software de inteligencia artificial para análisis histopatológico de nódulos mamarios. Métodos: El software fue desarrollado usando dos redes neurales. Se obtuvo la base de datos para el aprendizaje de las condicionas analizadas (mama histológicamente normal, fibroadenoma, cambios fibroquisticos de la mama, carcinoma ductal in situ, carcinoma invasivo de tipo no especial y carcinoma lobular invasivo) después de la aprobación de la página Path Presenter, con 5.298 imágenes. Las imágenes utilizadas para validación del sistema se obtuvieron del Instituto de Patologia de Passo Fundo, totalizando 2.740 imágenes. Resultados: El softwarepresentósensibilidaddel80,5% [intervalo de confianza (IC) 95%, 71,9%-89,1%] y especificidad de 96,1% (95% IC, 94,3%-97,8%) para MobileNet y sensibilidad de 73,8% (95% IC, 52,6%-115%) y especificidad de 94,7% (95% IC, 91,7%-97,7%) para Inception. Para diferenciación de condiciones malignas, obtuvo-se sensibilidad máxima de 78,7% y especificidad de 95,8%; para diferenciación de condiciones benignas, la sensibilidad máxima fue de 82,6% y la especificidad, de 97,4%. Conclusión: El software presentó resultados prometedores en el análisis histopatológico de nódulos mamarios, reforzando la idea de que, en el futuro, la presencia de sistemas de soporte diagnóstico de enfermedades mamarias puede desempenar un papel crucial en la rutina del sistema de salud.

RESUMO Introdução: Sistemas de inteligência artificial são tecnologias promissoras de assistência em saúde, principalmente em subáreas médicas, como a patologia; podem ser utilizados como métodos de suporte para o diagnóstico) histopatológico de nódulos mamários. Objetivo: Este estudo apresenta a metodologia e os resultados da construção de um software de inteligência artificial para análise histopatológica de nódulos mamários. Métodos: O softwarefoi desenvolvido utilizando duas redes neuraispara a sua construção: Inception e MobileNet. O banco de dados utilizado para a aprendizagem das condições analisadas (mama histologicamente normal, fibroadenoma, alteração fibrocística, carcinoma ductal in situ, carcinoma invasivo do tipo não especial e carcinoma lobular invasivo) foi obtido após autorização do site Path Presenter, com 5.298 imagens. As imagens utilizadas para a validação do sistema foram obtidas do Instituto de Patologia de Passo Fundo, totalizando 2.740 imagens. Resultados: O software apresentou sensibilidade de 80,5% [intervalo de confiança (IC) 95%, 71,9%-89,1%] e especificidade de 96,1 % (95% IC, 94,3%-97,8%)para o MobileNet e sensibilidade de 73,8% (95% IC, 52,6%-115%) e especificidade de 94,7% (95% IC, 91,7%-97,7%) para o Inception. Para a diferenciação de condições malignas, obteve-se sensibilidade máxima de 78,7% e especificidade de 95,8%; para diferenciação de condições benignas, a sensibilidade máxima foi de 82,6% e a especificidade, de 97,4%. Conclusão: O software apresentou resultados promissores na análise histopatológica de nódulos mamários, reforçando que, no futuro, a presença de sistemas de suporte de diagnóstico das patologias mamárias pode se fazer presente na rotina do sistema saúde.