Causalidade em imagens médicas

Original article was published by fabiano filho. on Deep Learning on Medium


Causalidade em imagens médicas

Existe causalidade em imagens médicas??

Na hora da construção de modelos de Deep Learning (DL) para classificação de imagens médicas, a busca por causalidade pode evitar ou provocar vieses em sua generalização. Parece confuso? Então segue no artigo.

É isso que a perspectiva da Nature aborda quando se usa imagens médicas para predição de lesões em câncer de pele e tumores cerebrais, trazendo aspectos da qualidade das imagens, até vieses de seleção como de anotação encontrados em laudos.

Imagens de Pele

Imagine a construção de um modelo que objetiva identificar imagens de lesões de pele para classificar em melanoma ou não.

Na coleta dos dados, vamos selecionar aquelas lesões que já realizaram biópsia e sabemos se foram malignas ou não. No entanto, não é o aspecto da lesão que a torna maligna, e sim amalignidade causa o aspecto da lesão.

Ao ir no sentido contrário, selecionamos uma amostra enviesada de imagens já altamente suspeitas (foram indicadas biópsias) e a generalização do modelo se torna mais difícil.

Tumores cerebrais

Uma tarefa de causalidade em imagem médica pode ser a segmentação de tumores cerebrais.

Imagine que os pesquisadores já saibam que aquela imagem de ressonância magnética de cérebro já tenha um tumor esegmentou manualmente a lesão tumoral e agora quer criar um modelo de DL que consiga segmentar automaticamente.

Problema causal

Esse problema é causal, pois a doença leva a uma imagem, queprovoca o radiologista a segmentá-la (causa o radiologista a segmentar).

O problema na construção e generalização desse modelo pode ser um shift no data-set:

Se para treinamento os radiologistas usaram uma ressonância de altíssima qualidade e querem generalizar para hospitais que não possuem um aparelho com a mesma qualidade, isso pode levar ao erro do modelo.

Anotações do laudo

E caso as anotações sejam extraídas do laudo?

  • O laudo do radiologista pode ser enviesado por ter utilizado outros parâmetros como:
  • Exames laboratoriais
  • História clínica
  • Visando direcionar a label (diagnóstico imagiológico).
  • Assim o que era causal pode não ser mais causal.

Perspectivas

  • Isso traz o ponto de talvez utilizar modelos que se baseiam em:
  • Dados estruturados (laboratoriais)
  • + Não estruturados (imagens e textos)…

Fique atento que falaremos disso em breve…

Referências