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