GOML Aprendizado de Máquina Orientado a Grafos para Diagnóstico e Reabilitação de AVCs

Avançando o diagnóstico, tratamento, e reabilitação de AVCs com aprendizado de máquina orientado a grafos com dados multimodais.

Líderes: José Krieger and Zhao Liang

Os avanços recentes em aprendizado de máquina na medicina têm sido notáveis. No entanto, ainda existem tópicos importantes que precisam ser abordadas. Aqui lidamos com duas questões importantes:

1) Como integrar e selecionar atributos médicos relevantes (biomarcadores) de fontes heterogêneas e dinâmicas em grande escala?

Em aplicações de aprendizado de máquina na medicina frequentemente temos que lidar com conjuntos de dados heterogêneos e dinâmicos de grande escala. Por exemplo, no caso de aplicações e pesquisas científicas relacionadas a acidente vascular cerebral (AVC), vários tipos de dados acumulados por longo período de tempo, como por exemplo textos, imagens, biomarcadores genéticos, sinais elétricos, sintomas, estão disponíveis até mesmo para um único paciente. A integração de informações é essencial para tratar corretamente os problemas de saúde, uma vez que os profissionais de saúde raramente usam apenas um tipo de informação para resolver um problema médico. Outro aspecto importante ao lidar com uma grande quantidade de atributos é selecionar adequadamente os mais relevantes: entender quais atributos são mais relevantes para a classificação de um AVC fornece informações importantes para um diagnóstico e tratamento rápido e preciso.

2) Como interpretar decisões tomadas por algoritmos de aprendizado de máquina e como integrar inteligência humana e artificial?

Atualmente as técnicas de aprendizado de máquina bem-sucedidas não fornecem mecanismos explícitos para explicar de forma satisfatória como um determinado resultado é alcançado. Uma explicação lógica é necessária em muitas aplicações médicas, por exemplo, no diagnóstico de doenças. A falta de interpretabilidade impacta profundamente as oportunidades de integração entre inteligência humana e artificial na medicina. Na maioria dos casos, os profissionais de saúde ainda consideram os algoritmos de aprendizado de máquina como caixas-pretas. Isso é altamente influenciado pela falta de interpretabilidade das estratégias de aprendizado de máquina.

Nosso trabalho lida principalmente com o Acidente Cerebrovascular (AVC) como o domínio de aplicação. Segundo a OMS, mais de um bilhão de pessoas no mundo têm alguma deficiência; entre as doenças crônicas, o AVC se destaca por ser a principal causa de invalidez e a segunda causa de morte no mundo. Muito progresso tem sido feito no entendimento dos fatores de risco, mortalidade e reabilitação do AVC; no entanto, a incidência continua a aumentar como resultado do envelhecimento da população e de outros fatores de risco. A identificação de biomarcadores de AVC mais precisos e sensíveis pode ajudar a modificar esta situação preocupante. Além disso, o desenvolvimento de abordagens diagnósticas com alta precisão e previsão de resultados individualizados é uma das principais ambições e uma das estratégias do plano de ação global da OMS 2014-2021 (ODS - objetivo 3, melhor saúde para todos em todas as idades).

Objetivos

O objetivo aqui é duplo. Por um lado, queremos contribuir para a área de aprendizado de máquina desenvolvendo novas técnicas para lidar com AVCs. Por outro lado, queremos aplicar novas técnicas de aprendizado de máquina orientadas a grafos (GOML), a serem desenvolvidas neste projeto, para obter um melhor entendimento do AVC (causas, impacto, formas de melhorar a decisão e reabilitação). Também é importante investigar formas de mitigar o impacto do AVC na população brasileira, o que trará uma importante contribuição social. Para o estudo proposto, usaremos conjuntos de dados de AVC ATLAS (Traçados Anatômicos de Lesões Pós-AVC), InCor (Instituto do Coração da Faculdade de Medicina da USP)

(200 ressonâncias magnéticas ponderadas em T1 e laudos) e os conjuntos de dados do IMREA - Instituto de Medicina Física e Reabilitação do Hospital das Clínicas FMUSP.

Equipe

  • Nome

    Afiliação

  • Adilson Vitar Jr.
    ICMC-USP
  • Alexandre D. P. Chiavegatto Filho
    Faculdade de Saúde Pública / USP
  • Ana Caroline Medeiros Brito
    ICMC-USP
  • Angélica Abadia Paulista Ribeiro
    ICMC-USP
  • Carlos Henrique Costa Ribeiro
    ITA
  • Cíntia Carvalho Oliveira
    ICMC-USP
  • Claudia Maria Cabral Moro Barra
    PUCPR
  • Clever Ricardo Guareis de Farias
    FFCLRP-USP
  • Daniele Carvalho Oliveira
    ICMC-USP
  • Diego Pereira Dedize
    EACH-USP
  • Diego Raphael Amancio
    ICMC-USP
  • Esteban Wilfredo Vilca Zuñiga
    FFCLRP-USP
  • Fátima de Lourdes dos Santos Nunes Marques
    EACH/USP
  • Fernando Henrique Carvalho Silva
    ICMC-USP
  • Fernando Soares de Aguiar Neto
    ICMC-USP
  • Flavio Pinto de Almeida Filho
    ICMC-USP
  • João Luís Garcia Rosa
    ICMC-USP
  • João Paulo Papa
    UNESP Bauru
  • Joaquim Cezar Felipe
    FFCLRP-USP
  • Jorge Valverde-Rebaza
    Visibilia
  • José Eduardo Krieger
    Faculdade de Medicina and INCOR/USP
  • Josimar Edinson Chire Saire
    ICMC-USP
  • Linamara Rizzo Battistella
    Faculdade de Medicina/USP
  • Luan Vinicius de Carvalho Martins
    ICMC-USP
  • Lucas Mateus Martins Araujo e Castro
    ICMC-USP
  • Luiz Otavio Murta Junior
    FFCLRP/USP
  • Marcel Simis
    Faculdade de Medicina/USP
  • Marcela Prince Antunes
    ICMC-USP
  • Márcia Ito
    Ministério da Saude
  • Marco Antonio Gutierrez
    INCOR/USP
  • Marcos Vinicius Naves Bedo
    FMRP-USP
  • Mateus Roder
    UNESP-Br
  • Octávio Marques Pontes Neto
    FMRP/USP
  • Paul Augusto Bustíos Belizario
    ICMC-USP
  • Paulo Mazzoncini de Azevedo Marques
    FMRP/USP
  • Paulo Roberto Domingues dos Santos
    FFCLRP-USP
  • Pedro Augusto Baldini de Carvalho
    FFCLRP-USP
  • Rafael Delalibera Rodrigues
    ICMC-USP
  • Renato Tinós
    FFCLRP/USP
  • Sérgio Baldo Junior
    FFCLRP-USP
  • Vinicius Pavanelli Vianna
    FFCLRP-USP
  • Zhao Liang
    FFCLRP/USP