Classificação automatizada de imagens de eletrocardiogramas por aprendizado profundo.

• Ano de defesa: 2025
• Autor(a) principal: Dias, Felipe Meneguitti
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado profundo; Artificial intelligence.; Banco de dados médicos; Deep learning; Electrocardiogram; Electrocardiogram Images; Eletrocardiografia; Imagens de eletrocardiograma; Inteligência artificial; Medical database
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/3/3154/tde-16012026-084015/

O eletrocardiograma (ECG) é uma ferramenta diagnóstica essencial, fornecendo informações cruciais para o manejo de condições cardíacas graves, como o infarto agudo do miocárdio. Sua importância é especialmente destacada em ambientes de emergência, onde a detecção rápida de certas alterações cardíacas é vital. Nesse contexto, o desenvolvimento de ferramentas de auxílio ao diagnóstico para exames de ECG é altamente desejável, especialmente em cenários com alta carga de trabalho para profissionais de saúde e em regiões com deficit de médicos especialistas. Existem diferentes estudos focados na classificação automatizada de exames de ECG. No entanto, esses trabalhos geralmente se concentram em sinais como série temporal, usualmente encontrados em bancos de dados públicos. A aplicabilidade desses métodos é, contudo, restrita em ambientes hospitalares, onde os ECGs são comumente analisados, compartilhados e armazenados como imagens. Neste trabalho, desenvolveu-se uma metodologia baseada em inteligência artificial utilizando redes neurais convolucionais (CNNs) para a classificação de imagens de ECG. Inicialmente, foram construídos três bancos de dados: um com imagens sintéticas, com mais de 2 milhões de imagens derivadas de dados públicos, e dois de imagens reais, provenientes de um hospital especializado em cardiologia. Os bancos com imagens reais incluem um conjunto ambulatorial com cerca de 100 mil imagens e um de emergência com 20 mil exames. Este último foi anotado por 19 cardiologistas, com dois anotadores por exame e um terceiro consultado em caso de discordância. Para a anotação, foram escolhidas 13 classes de interesse no contexto de emergência. O método de classificação proposto envolve a definição da melhor arquitetura de rede neural e da melhor estratégia de treinamento para os conjuntos de dados. Para isso, 20% dos dados do banco de emergência foram separados para testes finais, enquanto 80% foram utilizados no desenvolvimento das estratégias. Utilizou-se uma validação cruzada de 10 folds nos 80% dos dados, selecionando a arquitetura de rede neural com melhor desempenho, baseada no F1-score médio. Além disso, foram propostas diferentes otimizações de desempenho, incluindo o pré-treinamento com outros bancos de dados de ECG, a construção de uma função de perda customizada, o uso de metadados e o re-treinamento com imagens de resolução maior. Um estudo de ablação foi realizado para selecionar o conjunto de otimizações que resultaram no melhor F1-score. Dentre as arquiteturas de CNNs utilizadas, a ConvNeXt demonstrou o melhor desempenho. Ao empregar esta arquitetura com otimizações definidas a partir do estudo de ablação, o modelo atingiu um F1-score médio de 0,802 (0,749-0,855) no conjunto de teste, um resultado comparável ao dos cardiologistas, que apresentaram um F1-score de 0,819 (0,774-0,865), sem diferenças estatisticamente significativas entre os dois. O estudo demonstrou a capacidade das técnicas baseadas em aprendizado profundo por CNNs em oferecer suporte ao diagnóstico de imagens de exames de ECG, alcançando um desempenho comparável ao de especialistas humanos.