Análise de composição corporal em tomografia computadorizada abdominal utilizando inteligência artificial

• Ano de defesa: 2024
• Autor(a) principal: Tanno Filho, Carlos Mikio
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Abdmonial muscle; Abdominal fat; Artificial intelligence; Body composition; Composição corporal; Gordura abdominal; Inteligência artificial; Musculatura abdominal
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/17/17158/tde-29072024-153022/

Introdução: a medida da composição corporal através de exames de imagem tem sido objeto de estudo na comunidade científica para avaliação de desfechos clínicos. Uma das maneiras utilizadas é a segmentação dos tecidos abdominais, principalmente gordura (visceral e subcutânea) e estruturas musculoesqueléticas, porém não é realizada de maneira rotineira, sendo uma atividade laboriosa, sujeita a medidas subjetivas com variância intra e interobservador. O avanço da inteligência artificial com modelos de aprendizado profundo (\"deep learning\") se apresenta como uma alternativa mais eficiente e menos trabalhosa. Objetivo: desenvolver uma ferramenta automatizada para segmentação tecidual abdominal em exames de tomografia computadorizada ao nível de referência pré-estabelecido, com modelos de inteligência artificial. Materiais e métodos: foram analisadas retrospectivamente exames de tomografia computadorizada abdominal de 547 pacientes em estadiamento de neoplasia de mama. Foi desenvolvida uma ferramenta baseada em redes neurais convolucionais capaz de, primeiramente, selecionar o nível de corte seguindo como referência o meio do corpo vertebral de L3, para então ser submetido a um modelo U-Net de segmentação tecidual automática para obtenção das áreas de secção de gordura visceral, gordura subcutânea e musculatura, incluindo o coeficiente de atenuação da área de secção da musculatura. Resultados: não houve diferença estatisticamente significativa para seleção do corte ao nível de L3 entre o método manual e a ferramenta desenvolvida. O modelo utilizando U-Net também mostrou alta precisão na segmentação de tecido muscular e adiposo. Conclusão: o algoritmo desenvolvido foi efetivo para segmentação tecidual em exames de tomografia computadorizada de abdome, de forma automatizada e com maior praticidade. Isso pode facilitar a utilização desse método para análise de composição corporal automatizada e sua relação com desfechos clínicos.