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

• Castro et al. Causality matters in medical imaging, Nature Communications, Julho de 2020. Disponível em: https://www.nature.com/articles/s41467-020-17478-w