Como a Inteligência Artificial (IA) pode ajudar a automatizar a detecção de COVID-19?
As mudanças climáticas e a pandemia de COVID-19 são dois desafios globais significativos que estão inter-relacionados de várias maneiras. À medida que as temperaturas aumentam e os ecossistemas são interrompidos, aumenta o risco de novas doenças surgirem e se espalharem de animais para humanos. Por exemplo, a mudança climática pode alterar os padrões de migração de animais e insetos portadores de doenças, espalhando doenças para novas áreas. A pandemia do COVID-19 é um lembrete das consequências de negligenciar as interconexões entre a saúde humana, a saúde animal e o meio ambiente.
Nesse contexto, devemos ter formas cada vez mais rápidas de detectar doenças para evitar sua propagação, como aconteceu com a COVID-19. Para mostrar como isso poderia ser feito usando técnicas de inteligência artificial, este texto tratará desse assunto de forma geral, apresentando os resultados do estudo feito para testar essa automação e disponibilizando o código em Python para quem quiser reproduzir e aperfeiçoar esse processo de automação para detecção de COVID-19.
IA e o processo de diagnóstico da COVID-19
Modelos de aprendizado profundo, especificamente redes neurais convolucionais (CNN), podem auxiliar no processo de diagnóstico detectando COVID-19 a partir de imagens de radiografia de tórax, como raios-X e tomografia computadorizada. Este texto tem como objetivo mostrar como treinar esses modelos para detectar a presença de COVID-19 a partir de radiografias de tórax. O estudo usou a técnica de aprendizagem por transferência para treinar os modelos e um conjunto de dados com radiografias de tórax COVID-19.
Em detalhes, a metodologia deste estudo envolveu o uso de técnicas de aprendizado profundo, especificamente o uso de redes neurais de convolução treinadas por meio do processo de aprendizado supervisionado. Três arquiteturas diferentes foram utilizadas para o processo de treinamento: Xception, Residual Networks (ResNet) e VGG-16. Os modelos foram treinados usando as bibliotecas TensorFlow e Keras Python e avaliados com base na métrica de precisão. Os resultados foram plotados em uma matriz de confusão e analisados usando um mapa de ativação de classe (Grad-Cam) e inspeção visual.
Os resultados mostraram que o modelo VGG-16 apresentou a maior precisão, 97,3%, e o menor overfitting. Especificamente, com um total de 75, o modelo classificou corretamente 73 imagens. Com precisão, o modelo classificou corretamente 100% (n = 39) das imagens relacionadas ao COVID-19, 88,2% (n = 17) das imagens de pulmões normais e 100% (n = 19) das imagens de pulmões com outras infecções. Com relação aos erros, o modelo classificou 2,7% (n = 2) das imagens referentes a pulmões normais como outras infecções.
Concluindo, o uso de modelos de aprendizado profundo pode auxiliar no processo de diagnóstico de COVID-19, detectando a presença do vírus nas radiografias de tórax. Os resultados deste estudo sugerem que o modelo VGG-16 apresentou o melhor desempenho, com alta precisão e consistência na classificação das imagens.
A disponibilização de códigos e dados no GitHub visa incentivar outros pesquisadores a aprimorar os modelos, levando a um maior avanço no enfrentamento da COVID-19 e detecção de futuras doenças.
