Desenvolvimento de marcadores radiográficos quantitativos para Medicina de Precisão de síndromes respiratórias agudas

• Processo: 20/14180-4
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de novembro de 2020
• Data de Término da vigência: 06 de março de 2022
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Agma Juci Machado Traina
• Beneficiário: Karem Daiane Marcomini
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Vinculado ao auxílio: 20/07200-9 - Analisando dados complexos vinculados a COVID-19 para apoio à tomada de decisão e prognóstico, AP.R
• Assunto(s): Medicina de precisão Biomarcadores Radiômica Radiografia torácica Betacoronavirus SARS-CoV-2 COVID-19 Estimativa de Kaplan-Meier Estatísticas não paramétricas
• Palavra(s)-Chave do Pesquisador: biomarcadores | Medicina de Precisão | síndrome respiratória aguda | Processamento gráfico

Resumo

A pandemia do novo Coronavírus SARS-CoV-2 já teve a confirmação de mais de 40 milhões de casos em todo o mundo, sendo responsável por mais de um milhão de mortes. No Brasil, o estágio da COVID-19, nome dado a síndrome causada pelo SARS-CoV-2, é de mais de um milhão de infectados e mais de 150 mil mortes. Os pacientes diagnosticados com síndromes respiratórias agudas graves (SARS) são submetidos rotineiramente a exames de imagens médicas, especialmente a radiografia de tórax (CXR), para avaliar a progressão da doença, como a COVID-19. Entretanto, as características radiográficas das SARS são muito similares, complicando as tomadas de decisões clínicas. A radiômica por sua vez pode auxiliar a avaliação radiológica das SARS por meio da associação de características quantitativas das imagens com os desfechos da doença, como etiologia, severidade, resposta ao tratamento, entre outros. Logo, esse projeto propõe investigar biomarcadores e modelos radiômicos baseados em CXR para auxiliar o diagnóstico, prognóstico e decisões clínicas da COVID-19, assim como a resposta terapêutica das SARS. Serão utilizados diferentes coortes de pacientes acometidos de SARS para o desenvolvimento e validação dos métodos investigados. Imagens de CXR dos pacientes serão automaticamente processadas e terão as lesões pulmonares segmentadas por algoritmos já desenvolvidos. Os pacientes serão caracterizados massivamente por características quantitativas das CXRs segmentadas, incluindo histograma de nível de cinza, matrizes de textura e transformadas no domínio da frequência da imagem. Análises estatísticas multivariadas e técnicas estado-da-arte de inteligência artificial serão utilizadas na modelagem preditiva para aumentar a performance radiômica. O desempenho preditivo será avaliado por curvas ROC, medidas de sensibilidade e especificidade e curvas Kaplan-Meier de probabilidade de ocorrência de um evento. As métricas de desempenho serão testadas estatisticamente por métodos como Mann-Whitney para os biomarcadores diagnósticos, log-rank para os índices prognósticos e DeLong para os modelos preditivos. Dessa forma, os potenciais marcadores e modelos radiômicos poderão desempenhar papel fundamental no suporte às decisões clínicas de síndromes respiratórias agudas. (AU)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

MARCOMINI, KAREM DAIANE; CARDONA CARDENAS, DIEGO ARMANDO; MACHADO TRAINA, AGMA JUCI; KRIEGER, JOSE EDUARDO; GUTIERREZ, MARCO ANTONIO; DRUKKER, K; IFTEKHARUDDIN, KM. A deep learning approach for COVID-19 screening and localization on Chest X-Ray images. MEDICAL IMAGING 2022: COMPUTER-AIDED DIAGNOSIS, v. 12033, p. 9-pg., 2022-01-01. (20/07200-9, 16/17078-0, 20/14180-4)

DE AGUIAR, ERIKSON J.; MARCOMINI, KAREM D.; QUIRINO, FELIPE A.; GUTIERREZ, MARCO A.; TRAINA, CAETANO, JR.; TRAINA, AGMA J. M.; DRUKKER, K; IFTEKHARUDDIN, KM. Evaluation of the impact of physical adversarial attacks on deep learning models for classifying covid cases. MEDICAL IMAGING 2022: COMPUTER-AIDED DIAGNOSIS, v. 12033, p. 7-pg., 2022-01-01. (20/07200-9, 16/17078-0, 20/14180-4)