Uma Abordagem de Visão Computacional e Aprendizagem Automática para Classificar Vistas em Radiografias do Rádio Distal

Avanços recentes em visão computacional e aprendizagem automática melhoraram significativamente a capacidade de analisar radiografias ortopédicas, uma ferramenta vital no diagnóstico médico. Apesar destes avanços tecnológicos, um passo frequentemente negligenciado, mas crucial, é a classificação precisa das vistas radiográficas e a localização das regiões anatómicas relevantes. Estes fatores são fundamentais para a eficácia dos modelos diagnósticos subsequentes, particularmente na deteção precisa de fraturas.\n\nEste estudo apresenta um modelo de deteção de objetos baseado em aprendizagem profunda, emparelhado com uma aplicação móvel, destinado a classificar radiografias do rádio distal em três vistas padrão: anterior-posterior (AP), lateral (LAT) e oblíqua (OB). Para além desta classificação, o modelo localiza a área anatómica chave mais pertinente para fraturas do rádio distal. O conjunto de dados compreendeu 1.593 radiografias anonimizadas recolhidas numa única instituição durante o período de 2021 a 2023, distribuídas de forma bastante equilibrada entre as três categorias de vista: 544 AP, 538 LAT e 521 OB.\n\nA anotação de cada imagem foi realizada meticulosamente usando o software Labellerr, desenhando caixas delimitadoras que englobavam a região anatómica desde a articulação metacarpofalângica (MCP) do segundo dígito até ao terço distal do rádio. Estas anotações foram verificadas por um cirurgião ortopédico experiente para garantir precisão e relevância clínica. Aproveitando este conjunto de dados anotado, um modelo de deteção de objetos YOLOv5 foi ajustado e treinado com uma divisão treino/validação/teste de 70/15/15.\n\nO modelo resultante demonstrou métricas de desempenho impressionantes, alcançando uma precisão global de 97,3%. Especificamente, o modelo atingiu precisões específicas por classe de 99% para vistas AP, 100% para vistas LAT e 93% para vistas OB. As taxas de precisão e recall foram igualmente elevadas, com 96,8% e 97,5%, respetivamente. A análise estatística confirmou que o desempenho do modelo foi significativamente melhor do que o acaso (p < 0,001, teste binomial).\n\nPara facilitar a integração clínica, foi desenvolvida uma aplicação móvel fácil de usar com Streamlit, permitindo uma implementação simples em ambientes de saúde. Esta ferramenta automatizada de classificação serve para reduzir o espaço de características ao isolar apenas as regiões anatómicas pertinentes nas radiografias. Esta abordagem focada espera-se que melhore a precisão dos modelos de classificação de fraturas subsequentes, minimizando distrações de estruturas anatómicas irrelevantes.\n\nEm suma, esta investigação demonstra uma solução prática e de alto desempenho para a classificação automática de vistas e localização anatómica em radiografias do rádio distal. Ao concentrar os esforços diagnósticos subsequentes nas regiões corretamente identificadas e localizadas, a abordagem promete uma melhor deteção de fraturas e melhores resultados para os pacientes, representando uma contribuição valiosa para a imagiologia ortopédica assistida por computador.