Compartilhamento |
|
Use este identificador para citar ou linkar para este item:
http://www.bdtd.uerj.br/handle/1/20587
Tipo do documento: | Dissertação |
Título: | Modelo computacional baseado em inteligência artificial para leitura dos padrões pulmonares na tomografia computadorizada da COVID-19 pós-aguda |
Título(s) alternativo(s): | Development of Artificial Intelligence Models for Reading Computed Tomography Postacute COVID-19 Lung Patterns |
Autor: | Cobo Chantong, Carolina Gianella |
Primeiro orientador: | Grisolia, Alexandra Maria Monteiro |
Primeiro coorientador: | Mogami, Roberto |
Primeiro membro da banca: | Santos, Alair Augusto Sarmet Moreira Damas dos |
Segundo membro da banca: | Leite, Karla Tereza Figueiredo Leite |
Resumo: | A pandemia trouxe efeitos catastróficos para a saúde pública, mas possibilitou o desenvolvimento de novos conhecimentos em diversas áreas da ciência, como a implementação da inteligência artificial (IA). Após de três anos, existem pacientes sem remissão completa da doença ou COVID-19 pós-aguda. A inteligência artificial (IA) pode ser relevante na detecção das complicações pulmonares e definição dos padrões tomográficos associados às complicações respiratórias. Esta pesquisa se concentra em dois aspectos críticos do COVID-19: as complicações pulmonares que podem ocorrer durante a fase pós-aguda da doença e o uso de inteligência artificial (IA) para diagnosticar e prever complicações. Tem como objetivo desenvolver modelos de IA para o reconhecimento dos padrões tomográficos de tórax (TC) da COVID-19 pós-aguda. Para conseguir isso, os radiologistas analisaram 87 tomografias computadorizadas para estabelecer padrões tomográficos, treinar e testar modelos de aprendizado profundo. O melhor modelo foi então selecionado para leitura de 8 exames completos de tomografia. Os resultados do modelo escolhido mostraram uma precisão média de 91,14% na detecção de padrões pós-COVID. Embora o tamanho da amostra tenha sido limitado, o desenvolvimento sucedido de modelos de IA para leitura dos padrões pós-COVID-19 na TC apesar da pequena amostra. A amostra utilizada no estudo reflete o perfil epidemiológico encontrado na literatura. Com os resultados coerentes e satisfatórios na avaliação do melhor modelo com os 8 exames completos de TCs, comparando a leitura com o laudo de um radiologista. No entanto, um tamanho de amostra maior seria benéfico para pesquisas futuras |
Abstract: | The pandemic brought catastrophic effects to public health, but it enabled the development of new knowledge in several areas of science, such as the implementation of artificial intelligence (AI). After three years, there are patients without complete remission of the disease or postacute COVID-19. Artificial intelligence (AI) may be relevant in detecting pulmonary complications and defining tomographic patterns associated with respiratory complications. This research focuses on two critical aspects of COVID-19: the pulmonary complications that can occur during the post-acute phase of the disease and the use of artificial intelligence (AI) to diagnose and predict complications. It aims to develop AI models for the recognition of Postacute COVID-19 chest tomographic (CT) patterns. To achieve this, radiologists analyzed 87 CT scans to establish CT patterns, train and test deep learning models. The best model was then selected for reading 8 complete CT scans. The results of the chosen model showed an average accuracy of 91,14% in detecting post-COVID patterns. Although the sample size was limited, the successful development of AI models for reading post-COVID-19 patterns on CT despite the small sample size. The sample used in the study reflects the epidemiological profile found in the literature. With the coherent and satisfactory results in the evaluation of the best model with the 8 complete CT scans, comparing the reading with the report of a radiologist. However, a larger sample size would be beneficial for future research |
Palavras-chave: | Tomography Artificial Intelligence Lung Diseases Tomografia Computadorizada por raios X – Instrumentação Doença por Vírus COVID-19 Inteligência Artificial Doença Pulmonar Síndrome pós-COVID-19 aguda – Diagnóstico por imagem Pneumopatias – Diagnóstico por imagem |
Área(s) do CNPq: | CIENCIAS DA SAUDE::MEDICINA CIENCIAS DA SAUDE::MEDICINA::RADIOLOGIA MEDICA |
Idioma: | por |
País: | Brasil |
Instituição: | Universidade do Estado do Rio de Janeiro |
Sigla da instituição: | UERJ |
Departamento: | Centro Biomédico::Faculdade de Ciências Médicas |
Programa: | Programa de Pós-Graduação em Telemedicina e Telessaúde |
Citação: | COBO CHANTONG, Carolina Gianella. Modelo computacional baseado em inteligência artificial para leitura dos padrões pulmonares na tomografia computadorizada da COVID-19 pós-aguda. 2023. 54 f. Dissertação (Mestrado profissional em Telemedicina e Telessaúde) - Faculdade de Ciências Médicas, Universidade do Estado do Rio de Janeiro, Rio de Janeiro, 2023. |
Tipo de acesso: | Acesso Aberto |
URI: | http://www.bdtd.uerj.br/handle/1/20587 |
Data de defesa: | 1-Jun-2023 |
Aparece nas coleções: | Mestrado Profissional em Telemedicina e Telessaúde |
Arquivos associados a este item:
Arquivo | Descrição | Tamanho | Formato | |
---|---|---|---|---|
Dissertação - Carolina Gianella Cobo Chantong - 2023 - Completa.pdf | 1,55 MB | Adobe PDF | Baixar/Abrir Pré-Visualizar |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.