O algoritmo de saúde móvel orientado por IA usa a câmera do telefone para detectar os níveis de oxigênio nos vasos sanguíneos

Já pode utilizar o seu smartphone para consultas médicas à distância. Por que não usar alguns dos sensores integrados para coletar dados médicos? Essa é a ideia por trás da tecnologia baseada em IA desenvolvida na Purdue University, que poderia usar uma câmera de smartphone para detectar e diagnosticar condições médicas como anemia com mais rapidez e precisão do que equipamentos médicos altamente especializados desenvolvidos para a tarefa.

“Existem pelo menos 15 sensores diferentes em seu smartphone, e nosso objetivo é tirar proveito desses sensores para que as pessoas possam acessar os cuidados de saúde fora do consultório médico”, disse o pesquisador principal Young Kim, professor e chefe associado de pesquisa no Weldon de Purdue. Escola de Engenharia Biomédica. “Até onde sabemos, acreditamos ter demonstrado a imagem hemodinâmica mais rápida que existe, usando um smartphone disponível comercialmente.”

Embora a câmera de um smartphone seja conveniente, ela captura medições apenas dos comprimentos de onda de luz vermelha, verde e azul em cada pixel, limitando sua utilidade médica. A imagem hiperespectral pode capturar todos os comprimentos de onda da luz visível em cada pixel e pode ser usada para detectar uma variedade de condições de pele e retina e alguns tipos de câncer.

Os pesquisadores estão explorando aplicações de imagem hiperespectral em saúde, mas a maior parte do trabalho visa melhorar equipamentos especializados, que são relativamente volumosos, lentos e caros. Ao combinar técnicas estatísticas e de aprendizado profundo com seu conhecimento das interações luz-tecido, os pesquisadores da Purdue são capazes de reconstruir todo o espectro de luz visível em cada pixel de uma imagem comum de câmera de smartphone. A abordagem com patente pendente, de um laboratório especializado em saúde móvel, pode melhorar o acesso aos cuidados de saúde.

Conforme relatado em PNAS Nexusa equipe testou seu método contra equipamentos de imagem hiperespectrais disponíveis comercialmente ao coletar informações sobre o movimento do oxigênio no sangue nas pálpebras dos voluntários, em modelos destinados a imitar o tecido humano e em um embrião de galinha.

Os resultados mostram que a câmera do smartphone produziu informações hiperespectrais de forma mais rápida, mais barata e tão precisa quanto aquelas capturadas com equipamentos especializados. A abordagem do smartphone pode produzir imagens em um único milissegundo que levaria três minutos para capturar imagens hiperespectrais convencionais.

Kim disse que o trabalho relatado em PNAS Nexus focado na construção do algoritmo de imagem hiperespectral do smartphone, em vez de aplicativos específicos. Mas em outros estudos, a equipe usou sua abordagem para medir a hemoglobina no sangue para oximetria e inflamação dos tecidos. O laboratório de Kim usou uma abordagem computacional que os pesquisadores apelidaram de “aprendizado hiperespectral”.

O processo começa com a câmera de um smartphone em uma configuração de câmera ultralenta que produz vídeo em cerca de 1.000 quadros por segundo. Cada pixel em cada quadro contém informações para a intensidade das cores vermelho, verde e azul. As informações são alimentadas por meio de um algoritmo de aprendizado de máquina que infere informações de espectro total para cada pixel.

Isso é usado para produzir as medições do fluxo sanguíneo, principalmente da quantidade de hemoglobina oxigenada e desoxigenada em cada pixel. Esses parâmetros hemodinâmicos também podem ser usados ​​para produzir imagens e vídeos que mostram a saturação de oxigênio em seus sujeitos ao longo do tempo.

Assim como no aprendizado de máquina convencional, a equipe treina seus algoritmos em um conjunto de dados, alimentando-o com imagens de smartphones e as imagens hiperespectrais correspondentes e ajustando o algoritmo até que ele possa prever a relação correta entre os dois conjuntos de dados. Mas, ao construir os algoritmos com equações derivadas da ótica do tecido – uma abordagem às vezes chamada de “aprendizado informado” – os pesquisadores precisam de um conjunto de dados de treinamento muito menor.

E enquanto o equipamento de imagem hiperespectral convencional deve coletar grandes quantidades de dados, limitando a resolução espectral ou a resolução temporal, a abordagem da equipe começa com arquivos de vídeo que são centenas de vezes menores que os arquivos de imagem hiperespectral, permitindo que eles mantenham um alto padrão em ambas as frentes .

“Normalmente, há uma compensação para coletar essas informações de maneira eficiente. Mas, com nossa abordagem, temos alta resolução espacial e espectral ao mesmo tempo”, disse Yuhyun Ji, primeiro autor e aluno de pós-graduação no laboratório de Kim, que é atualmente trabalhando na aplicação deste método a outras aplicações móveis de saúde, como a colposcopia do colo do útero e a imagem do fundo da retina.