Hospitais-escola de todo o mundo estão criando ferramentas de AI para combater a COVID-19, inclusive o Hospital Geral de Massachusetts, onde há um centro que está adotando os sistemas de AI NVIDIA DGX A100 para acelerar o desenvolvimento.
Os pesquisadores do Athinoula A. Martinos Center de Imagens Biomédicas do hospital estão desenvolvendo modelos para segmentar e alinhar radiografias do tórax, calcular a gravidade da doença pulmonar a partir de imagens de radiografias e unir dados radiológicos a outras variáveis clínicas para determinar o prognóstico de pacientes com COVID.
Criados e testados com os dados do Mass General Brigham, os modelos, depois de validados, poderão ser usados conjuntamente em ambientes hospitalares durante e após a pandemia para oferecer informações radiológicas diretamente aos médicos que acompanham a evolução clínica dos pacientes e tomam decisões sobre o tratamento deles.
“Ao ajudar os médicos da unidade de tratamento da COVID-19, vi que muitas informações das imagens radiológicas não chegavam rapidamente aos profissionais que tomam as decisões clínicas”, afirmou Matthew D. Li, Residente de Radiologia do Hospital Geral de Massachusetts e Pesquisador do Laboratório QTIM do Martinos Center. “Com o deep learning, desenvolvemos um algoritmo para criar uma classificação da gravidade da doença pulmonar a partir de radiografias do tórax que pode ser reproduzida e adaptada, uma métrica que os médicos podem acompanhar ao longo do tempo, juntamente com outras variáveis laboratoriais, como sinais vitais, dados da oximetria de pulso e resultados de exames de sangue.”
O Martinos Center usa diversos sistemas de AI da NVIDIA, inclusive o NVIDIA DGX-1, para acelerar suas pesquisas. Neste inverno, o centro instalará os sistemas NVIDIA DGX A100, cada um com oito GPUs NVIDIA A100 Tensor Core e um desempenho de 5 petaFLOPS em tarefas de AI.
“Quando começamos a desenvolver os modelos para a COVID-19, todo mundo ajudou. Quanto mais rápido desenvolvêssemos o modelo, mais rápido poderíamos usá-lo”, explicou Jayashree Kalpathy-Cramer, Diretor do Laboratório QTIM e do Centro de Machine Learning do Centro Martinos. “Se não tivéssemos tido acesso aos recursos de computação suficientes, não teríamos conseguido.”
Comparando Anotações: AI para Exames de Imagem do Tórax
Geralmente, pacientes com COVID-19 precisam realizar exames de imagem, tomografias computadorizadas na Europa e radiografias nos Estados Unidos, para verificar o comprometimento dos pulmões. Comparar o quadro inicial do paciente com os exames seguintes é uma forma útil de analisar se sua situação está melhorando ou piorando.
Porém, não é nada fácil segmentar e alinhar dois exames realizados em diferentes posições do corpo e de diferentes ângulos, considerando os elementos confusos, como fios, presentes nas imagens.
Bruce Fischl, Diretor do Laboratório de Neuroimagem Computacional do Martinos Center, e Adrian Dalca, Professor Assistente de Radiologia da Escola de Medicina de Harvard, usou a tecnologia fundamental da AI de comparação de ressonâncias magnéticas desenvolvida por Dalca e aplicou-a em radiografias do tórax, treinando o modelo em um sistema NVIDIA DGX.
“Os radiologistas perdem muito tempo avaliando se houve alterações de um exame para o outro. Essa técnica geral pode ajudar nessa avaliação”, revelou Fischl. “Nosso modelo identifica 20 estruturas de uma radiografia de alta resolução e alinha-as entre dois exames, levando menos de um segundo para realizar uma inferência.”
A ferramenta pode ser usada em conjunto com o resultado da pesquisa de Li e Kalpathy-Cramer: um modelo de avaliação de risco que analisa radiografias do tórax e classifica a gravidade da doença pulmonar. O modelo pode oferecer a médicos, pesquisadores e infectologistas uma métrica quantitativa e consistente para a avaliação do comprometimento dos pulmões, que é descrito de maneira subjetiva em relatórios de radiologia comuns.
Treinada com um conjunto público de dados de mais de 150 mil raios X do tórax, além de centenas de raios X positivos para COVID-19 do Hospital Geral de Massachusetts, a AI de classificação da gravidade está sendo usada para realizar testes em quatro grupos de pesquisa no hospital com o kit de desenvolvimento de software NVIDIA Clara Deploy. Depois da pandemia, a equipe pretende ampliar o uso do modelo para avaliar outras doenças, como edemas pulmonares.
Prevendo a Necessidade de Respiradores
Os exames de imagem do tórax são só uma das variáveis usadas para avaliar a saúde dos pacientes com COVID-19. A equipe do Martinos Center está colaborando com Brandon Westover, Diretor Executivo do Centro de Animação de Dados Clínicos do Mass General Brigham, para ter uma visão mais ampla.
Westover está desenvolvendo modelos de AI que preveem os resultados clínicos de pacientes internados e pacientes ambulatoriais com COVID-19, e a classificação da gravidade da doença pulmonar elaborada por Kalpathy-Cramer pode ser usada como uma variável clínica da ferramenta.
O modelo de pacientes ambulatoriais analisa 30 variáveis para classificar o risco de cada um dos diversos pacientes que passam pela triagem nas clínicas de infecção respiratória da rede hospitalar, calculando a probabilidade de o paciente precisar de tratamento intensivo ou morrer de COVID-19.
No caso de pacientes internados no hospital, uma rede neural calcula, a cada hora, o risco de o paciente precisar de um respirador pelas próximas 12 horas, usando variáveis como sinais vitais, idade, dados da oximetria e ritmo respiratório.
“Essas variáveis às vezes são muito sutis, mas, juntas, podem ser uma forte indicação de que o paciente está piorando”, declarou Westover. Processado em uma GPU NVIDIA Quadro RTX 8000, o modelo pode ser acessado por um portal front-end que os médicos podem usar para identificar os pacientes em maior risco e as variáveis que estão contribuindo mais para a gravidade do risco.
Melhores, Mais Rápidas e Mais Eficientes: Pesquisas com NVIDIA DGX
Segundo Fischl, os sistemas NVIDIA DGX ajudam os pesquisadores do Martinos Center a criar versões atualizadas dos algoritmos de AI mais rapidamente, testando formas diferentes de aprimorá-los. O DGX A100, com GPUs NVIDIA A100 baseadas na arquitetura NVIDIA Ampere, acelerará ainda mais o trabalho da equipe com a tecnologia Tensor Core de terceira geração.
“As diferenças quantitativas acabam fazendo uma diferença qualitativa”, afirmou. “Consigo apontar pelo menos cinco formas de aprimorar o algoritmo, mas cada uma delas exigiria sete horas de treinamento. Se eu tiver como reduzir essas sete horas para apenas uma, o ciclo de desenvolvimento ficará muito mais eficiente.”
O Martinos Center usará os switches NVIDIA Mellanox e a infraestrutura de armazenamento VAST Data, oferecendo aos desenvolvedores a possibilidade de usar a tecnologia NVIDIA GPUDirect para dispensar a CPU e transferir os dados diretamente para a memória da GPU ou extraí-los dela, garantindo um desempenho melhor e agilizando o treinamento da AI.
“Com o acesso a esse armazenamento de alta capacidade e alta velocidade, poderemos analisar dados multimodais brutos do equipamento de ressonância magnética, tomografia computadorizada por emissão de pósitrons e magnetoencefalografia”, explicou Matthew Rosen, Professor Assistente de Radiologia da Escola de Medicina de Harvard e Codiretor do Centro de Machine Learning do Martinos Center. “O sistema de armazenamento VAST, quando conectado às novas GPUs A100, oferecerá uma oportunidade incrível de estabelecer um novo padrão para o futuro dos exames de imagem inteligentes.”
Acesse nossa página sobre a COVID-19 e saiba como a AI e a computação acelerada estão ajudando as instituições de saúde a combater a pandemia.
A imagem principal mostra a radiografia de tórax e o mapa de calor correspondente, destacando áreas com doença pulmonar. Imagem do artigo dos pesquisadores em Radiology: Artificial Intelligence, disponível em acesso aberto.