Uso de redes neurais para a predição de diagnóstico de AVE: uma revisão sistemática / Use of neural networks for stroke diagnosis prediction: a systematic review neural networks and stroke prediction

Fundamentos: O Acidente Vascular Encefálico (AVE) é uma síndrome de déficit neurológico agudo atribuído à lesão vascular do Sistema Nervoso (SN). As técnicas de Inteligência Artificial (IA) na Medicina ­ como algoritmos de Redes Neurais Artificiais (RNAs) ­ têm ajudado na tomada de decisões clínicas voltadas para essa condição. Objetivo: o objetivo desta revisão será avaliar como as redes neurais artificiais estão sendo utilizadas para a predição de diagnóstico de AVE. Métodos: Trata-se de uma revisão sistemática de artigos indexados nas bases de dados PubMed, BVS, SciELO, Cochrane e SpringerLink, entre janeiro e fevereiro de 2022. Os critérios de inclusão e filtros para esse trabalho foram: artigos relacionados ao tema, estudos randomizados, coorte e ensaios clínicos, trabalhos em humanos, realizados nos últimos 5 anos, apenas nos idiomas Português, Inglês e Espanhol e com texto completo disponível gratuitamente. Os parâmetros de exclusão foram: artigos duplicados, fuga ao tema, artigos de revisão e trabalhos que não preenchiam todos os critérios de inclusão. Resultados: As RNAs estão sendo utilizadas, principalmente, para avaliação de áreas de lesões isquêmicas e hemorrágicas por métodos de segmentação e os exames mais utilizados para a modelagem dos programas têm sido Ressonância Magnética (RM) e Tomografia Computadorizada (TC). Além da TC e RM, a angiorressonância e angiotomografia também estão sendo utilizadas para o modelamento do algoritmo e são úteis por apresentarem maior sensibilidade para detecção de infartos. Conclusão: Algoritmos de segmentação e classificação aplicados nas RNAs fazem parte da medicina personalizada e servem de base para médicos na prática clínica.

Background: Stroke is an acute neurological deficit syndrome attributed to vascular injury to the Nervous System (NS). Artificial Intelligence (AI) techniques in Medicine ­ such as Artificial Neural Networks (ANNs) algorithms ­ have helped in making clinical decisions aimed at this condition. Objective: the objective of this review will be to evaluate how artificial neural networks are being used to predict the diagnosis of stroke. Methods: This is a systematic review of articles indexed in PubMed, VHL, SciELO, Cochrane and SpringerLink databases, between January and February 2022. The inclusion criteria and filters for this work were: articles related to the topic, studies randomized, cohort and clinical trials, studies in humans, carried out in the last 5 years, only in Portuguese, English and Spanish and with full text available free of charge. The exclusion parameters were: duplicate articles, escape from the topic, review articles and works that did not meet all the inclusion criteria. Results: ANNs are being used mainly for the evaluation of areas of ischemic and hemorrhagic lesions by segmentation methods and the most used exams for modeling the programs have been Magnetic Resonance Imaging (MRI) and Computed Tomography (CT). In addition to CT and MRI, magnetic resonance angiography and tomography angiography are also being used to model the algorithm and are useful because they have greater sensitivity for detecting infarctions. Conclusion: Segmentation and classification algorithms applied in ANNs are part of personalized medicine and serve as a basis for physicians in clinical practice.

Estratégias Preditivas na Detecção do Agravamento do Quadro Clínico de Pacientes com COVID-19: Uma Revisão de Escopo / Predictive Strategies in Detecting the Worsening of the Clinical Condition of Patients with COVID-19: A Scoping Review / Estrategias predictivas para detectar el empeoramiento de la condición clínica de los pacientes con COVID-19: Una Revisión de Alcance

Objetivo: Este artigo apresenta uma Revisão de Escopo (RE) para identificar estratégias preditivas na detecção do agravamento do quadro clínico de pacientes com a COVID-19. Método: A RE foi conduzida com a busca de trabalhos indexados em seis fontes de busca usando uma string de busca, critérios de inclusão e exclusão. Resultados: Mediante a execução do protocolo da RE, 329 estudos foram retornados, dos quais 9 foram selecionados ao final da análise. Na avaliação dos estudos, foi possível identificar os algoritmos utilizados na construção dos modelos de predição, as linguagens e ferramentas, a origem dos dados, bem como as variáveis mais relevantes. Conclusão: A partir dos resultados alcançados, pode-se concluir que modelos preditivos estão sendo desenvolvidos com o objetivo de auxiliar os profissionais de saúde na detecção de fatores relacionados ao agravamento da doença, mas poucos estão sendo disponibilizados, o que dificulta a utilização em um contexto real.

Objective: This article presents a Scope Review (ScR) to identify predictive strategies for detecting the worsening of the clinical picture of patients with COVID-19. Method: ScR was performed by identifying indexed articles in six search sources through a search string, inclusion, and exclusion criteria. Results: When the protocol was executed, 329 studies returned, from which 9 were summarized at the end of the analysis. Through the evaluation of the studies, it was possible to identify the algorithms used in the construction of the predictive models, the programming languages and tools, the origin of the data, as well as the most relevant variables. Conclusion: Based on the results, we conclude that predictive models developed to help health professionals detect factors related to the worsening of the disease, but few are available, which makes it complicated to use in real work contexts.

Objetivo: Este artículo presenta una Revisión del Alcance (RA) para identificar estrategias predictivas para detectar el empeoramiento del cuadro clínico de los pacientes con COVID-19. Método: La RA se realizó en la búsqueda de trabajos indexados en seis fuentes de búsqueda mediante una cadena de búsqueda, criterios de inclusión y exclusión. Resultados: Tras la ejecución del protocolo ER, se devolvieron 329 estudios, de los cuales se seleccionaron 9 al final del análisis. A través de la evaluación de los estudios, fue posible identificar los algoritmos utilizados en la construcción de los modelos de predicción, los lenguajes y herramientas, el origen de los datos, así como las variables más relevantes. Conclusión: De los resultados obtenidos se puede concluir que se están desarrollando modelos predictivos con el objetivo de ayudar a los profesionales de la salud en la detección de factores relacionados con el agravamiento de la enfermedad, pero pocos se están poniendo a disposición, lo que dificulta su uso. en un contexto real.

Comparing the predictive power of the CART and CTREE algorithms / Comparando o poder preditivo dos Algoritmos CART e CTREE / Comparando el poder predictivo de los algoritmos CART y CTREE

The CART algorithm has been extensively applied in predictive studies, however, researchers argue that CART produces variable selection bias. This bias is reflected in the preference of CART in selecting predictors with large numbers of cutpoints. Considering this problem, this article compares the CART algorithm to an unbiased algorithm (CTREE), in relation to their predictive power. Both algorithms were applied to the 2011 National Exam of High School Education, which includes many categorical predictors with a large number of categories, which could produce a variable selection bias. A CTREE tree and a CART tree were generated, both with 16 leaves, from a predictive model with 53 predictors and the students' writing essay achievement as the outcome. The CART algorithm yielded a tree with a better outcome prediction. This result suggests that for large data sets, called big data, the CART algorithm might give better results than the CTREE algorithm.(AU)

O algoritmo CART tem sido aplicado de forma extensiva em estudos preditivos. Porém, pesquisadores argumentam que o CART apresenta sério viés seletivo. Esse viés aparece na preferência do CART pelos preditores com grande número de categorias. Este artigo considera esse problema e compara os algoritmos CART e CTREE, este considerado não enviesado, tomando como resultado seu poder preditivo. Os algoritmos foram aplicados no Exame Nacional do Ensino Médio de 2011, no qual estão incluídos vários preditores nominais e ordinais com muitas categorias, o que pode produzir um viés seletivo. Foram geradas uma árvore do CTREE e outra do CART, ambas com 16 folhas, provenientes de um modelo com 53 variáveis preditoras e a nota da redação, como desfecho. A árvore do algoritmo CART apresentou uma melhor predição. Para grandes bancos de dados, possivelmente o algoritmo CART é mais indicado do que o algoritmo CTREE.(AU)

El algoritmo CART es ampliamente utilizado en análisis predictivos. Sin embargo, los investigadores argumentan que el CART presenta un fuerte sesgo de selección. Este sesgo se refleja en el CART en la preferencia de seleccionar predictores con elevado número de categorías. Teniendo en cuenta este problema, el presente artículo compara el algoritmo CART y un algoritmo imparcial (CTREE) con relación a su poder predictivo. Ambos algoritmos se aplicaron en el Examen Nacional de la Enseñanza Secundaria de 2011, incluyendo predictores nominales y ordinales con diversas categorías, un escenario susceptible de producir el sesgo de selección de variables mencionado. Fueron generados un árbol CTREE y un árbol CART, ambos con 16 hojas, provenientes de un modelo predictivo con 53 variables y la nota del comentario de texto. El árbol del algoritmo CART presentó mejor predicción. Para grandes bases de datos el algoritmo CART puede proporcionar mejores resultados que el CTREE.(AU)

Multi-categorical classification using deep learning applied to the diagnosis of gastric cancer / Classificação multicategórica utilizando aprendizagem profunda aplicada ao diagnóstico de adenocarcinoma gástrico

ABSTRACT Introduction: Pathologists currently face a substantial increase in workload and complexity of their diagnosis work on different types of cancer. This is due to the increased incidence and detection of neoplasms, associated with diagnostic subspecialization and the advent of personalized medicine. There are numerous treatments available for different types of cancer, and the diagnosis must be dispensed quickly and accurately for each case. Deep learning is a tool that has been used in daily life, including image detection, and there is growing interest in its application in Medicine and especially in Pathology, where it has a revolutionary potential. Objective: In this article, we present deep learning, in particular convolutional neural networks, as a potential technique for the analysis of digitized images of histopathological slides, detecting identifiable patterns in an automated manner, introducing the possibility of applying this technology as an auxiliary tool in the diagnosis of neoplasms, especially in gastric cancer, the object of this preliminary study. Method: From a database of digitized images of histopathological slides representative of gastric cancer, we identified three morphological patterns of neoplasia, as well as non-neoplastic tissue patterns, with which we train a convolutional neural network algorithm, designed to identify and categorize similar images within these standards, in an automated manner. Results: The results of identification and automatic classification in the defined categories were satisfactory, with ROC curves above 0.9. Conclusion: The results show the potential application of convolutional neural networks for digitized slides of gastric cancer, in accordance with international literature findings.

RESUMEN Introducción: Los patólogos enfrentan actualmente un aumento sustancial de su trabajo diagnóstico en diferentes tipos de cáncer. Eso ocurre debido al incremento de la incidencia y de la detección de neoplasias, además de la subespecialización diagnóstica y del advenimiento de la medicina personalizada. Hay numerosos tratamientos disponibles para diferentes tipos de cáncer, y el diagnóstico debe ser realizado con celeridad y precisión para cada caso. El aprendizaje profundo es una herramienta que ha sido empleada en el día a día, incluso en la detección de imágenes, y hay creciente interés en su aplicación en Medicina, especialmente en Patología, área en la que presenta potencial revolucionario. Objetivo: En este artículo presentamos el aprendizaje profundo, en especial las redes neuronales convolucionales, como una técnica potencial para el análisis de imágenes digitalizadas de portaobjetos histopatológicos, detectando patrones identificables de forma automatizada, introduciendo la posibilidad de empleo de esa tecnología como herramienta auxiliar en el diagnóstico de neoplasias, principalmente en el adenocarcinoma gástrico, objeto de este estudio preliminar. Métodos: A partir de una base de datos de imágenes digitalizadas de portaobjetos histopatológicos representativos de adenocarcinoma gástrico, identificamos tres patrones morfológicos de la neoplasia, así como patrones de tejidos no neoplásicos, con los cuales entrenamos un algoritmo de red neuronal convolucional, creado para identificar y categorizar imágenes semejantes dentro de eses patrones, de modo automatizado. Resultados: Los resultados de identificación y clasificación automática en las categorías definidas se mostraron satisfactorios, con curvas ROC por encima de 0,9. Conclusión: Los resultados muestran el potencial de aplicación de las redes neuronales convolucionales en portaobjetos digitalizados de adenocarcinoma gástrico, en conformidad con la literatura internacional.

RESUMO Introdução: Os patologistas enfrentam atualmente um aumento substancial na carga e na complexidade de seu trabalho diagnóstico em diferentes tipos de câncer. Isso ocorre devido ao aumento da incidência e da detecção de neoplasias, além da subespecialização diagnóstica e do advento da medicina personalizada. Existem inúmeros tratamentos disponíveis para diferentes tipos de câncer, e o diagnóstico deve ser dado com celeridade e precisão para cada caso. A aprendizagem profunda é uma ferramenta que vem sendo empregada no dia a dia, inclusive na detecção de imagens, e há crescente interesse em sua aplicação na Medicina, especialmente na Patologia, área em que apresenta potencial revolucionário. Objetivo: Neste artigo, apresentamos a aprendizagem profunda, em específico as redes neurais convolucionais, como uma potencial técnica para a análise de imagens digitalizadas de lâminas histopatológicas, detectando padrões identificáveis de forma automatizada, introduzindo a possibilidade de aplicação dessa tecnologia como ferramenta auxiliar no diagnóstico de neoplasias, principalmente no adenocarcinoma gástrico, objeto deste estudo preliminar. Métodos: A partir de um banco de dados de imagens digitalizadas de lâminas histopatológicas representativas de adenocarcinoma gástrico, identificamos três padrões morfológicos da neoplasia, bem como padrões de tecidos não neoplásicos, com os quais treinamos um algoritmo de rede neural convolucional, criado com a finalidade de identificar e categorizar imagens similares dentro desses padrões, de forma automatizada. Resultados: Os resultados de identificação e classificação automática nas categorias definidas mostraram-se satisfatórios, com curvas ROC acima de 0,9. Conclusão: Os resultados evidenciam o potencial de aplicação das redes neurais convolucionais em lâminas digitalizadas de adenocarcinoma gástrico, consoantes com a literatura internacional.

Clasificación y mapeo automático de coberturas del suelo en imágenes satelitales utilizando Redes Neuronales Convolucionales / Classification and automatic mapping of land covers in satellite images using Convolutional Neural Networks / Classificação e mapeamento automático de coberturas do solo em imagens de satélite usando redes neurais convolucionais

Resumen La clasificación de cobertura del suelo es importante para estudios de cambio climático y monitoreo de servicios ecosistémicos. Los métodos convencionales de clasificación de coberturas se realizan mediante la interpretación visual de imágenes satelitales, lo cual es costoso, dispendioso e impreciso. Implementar métodos computacionales permite generar clasificación de coberturas en imágenes satelitales de manera automática, rápida, precisa y económica. Particularmente, los métodos de aprendizaje automático son técnicas computacionales promisorias para la estimación de cambios de cobertura del suelo. En este trabajo se presenta un método de aprendizaje automático basado en redes neuronales convolucionales de arquitectura tipo ConvNet para la clasificación automática de coberturas del suelo a partir de imágenes Landsat 5 TM. La ConvNet fue entrenada a partir de las anotaciones manuales por medio de interpretación visual sobre las imágenes satelitales con las que los expertos generaron el mapa de cobertura del parque nacional el Tuparro, de los Parques Nacionales Naturales de Colombia. El modelo de validación se realizó con datos de los mapas de coberturas del Amazonas colombiano realizado por el Sistema de Información Ambiental de Colombia. Los resultados obtenidos de la diagonal de la matriz de confusión de la exactitud promedio fue de 83.27% en entrenamiento y 91.02% en validación; para la clasificación en parches entre Bosques, áreas con vegetación herbácea y/o arbustiva, áreas abiertas sin o con poca vegetación y aguas continentales.

Abstract Land cover classification is important for studies of climate change and monitoring of ecosystem services. Conventional coverage classification methods are performed by the visual interpretation of satellite imagery, which is expensive and inaccurate. Implementing computational methods could generate procedures to classify coverage in satellite images automatically, quickly, accurately and economically. Particularly, automatic learning methods are promising computational methods for estimating soil cover changes. In this work we present an automatic learning method based on convolutional neural networks of ConvNet type architecture for the automatic classification of soil coverings from Landsat 5 TM images. The ConvNet was trained from the manual annotations by means of visual interpretation on the satellite images with which the experts generated the map of Tuparro national park, of National Natural Park of Colombia. The validation model was performed with data from the Colombian Amazon cover maps made by the Colombian Environmental Information System. The results obtained from the diagonal of the confusion matrix of the average accuracy were 83.27% in training and 91.02% in validation; for the classification in patches between forests, areas with herbaceous and / or shrub vegetation, open areas with or without vegetation and Inland waters.

Resumo A classificação da cobertura da terra é importante para estudos de mudanças climáticas e monitoramento dos serviços dos ecossistemas. Os métodos convencionais de classificação de cobertura são feitos através da interpretação visual de imagens de satélite, que é caro, dispendioso e impreciso. Implementar métodos computacionais poderia gerar procedimentos de classificação de cobertura em imagenes de satélite de forma automática, rápida, precisa e econômica. Particularmente, métodos de aprendizado de máquina são promissores métodos computacionais para estimar a cobertura do solo mudanças. Neste artigo apresentamos um método de aprendizado de máquina baseado em convolutional neural tipo ConvNet rede de arquitetura para a classificação automática de cobertura do solo a partir de Landsat 5 imagens TM. O ConvNet foi treinado desde anotações manuais através da interpretação visual das imagens de satélite que os especialistas geraram o mapa de cobertura do Parque Nacional Tuparro, Colômbia Parque Nacional Natural. A validação do modelo foi realizada com cobertura de mapa de dados da Amazônia colombiana pelo Sistema de Informação Ambiental da Colômbia. Os resultados da diagonal da matriz de confusão da precisão média foi de 83,27% e Formação e 91,02% na validação; para a classificação em manchas entre florestas, áreas com vegetação herbácea e / ou arbusto, áreas abertas com poucamou nenhuma vegetação águas interiores.