Titulo Estágio
Diagnóstico Automático de Patologias Respiratórias: Estudo de abordagens data-driven baseadas na fusão de informação de sons respiratórios e imagem de EIT
Local do Estágio
DEI-FCTUC
Enquadramento
As patologias respiratórias apresentam taxas de mortalidade e morbilidade crescentes, estando frequentemente associadas a diversas comorbilidades, tais como doenças cardiovasculares, síndrome metabólico, osteoporose, doenças do foro psíquico e cancro do pulmão.
Presentemente, não existe um acompanhamento continuado das patologias respiratórias, levando a episódios frequentes de descompensação com hospitalização, os quais têm impacto significativo na saúde e qualidade de vida dos pacientes, na baixa de produtividade por perda de dias de trabalho e em elevados custos de tratamento ambulatório e hospitalização, impondo elevados encargos a nível de saúde pública.
No entanto, é sabido que cada episódio de descompensação é precedido por uma fase de incremento gradual que varia entre várias horas e vários dias antes do pico da descompensação. Assim, a detecção precoce dessa tendência em direcção ao pico de descompensação pode prevenir a sua ocorrência e levar a um quadro clínico significativamente mais leve. Como tal, é fundamental alterar o paradigma reactivo actual na gestão das patologias respiratórias para outro preventivo, proactivo e centrado no paciente. Nesse sentido, são requeridos sistemas de diagnóstico precoce de descompensações.
Neste contexto, um sintoma bastante importante são sons respiratórios adventícios (e.g., sibilâncias, fervores, etc.), os quais estão frequentemente associados a desordens respiratórias. Num ambiente de acompanhamento continuado, a detecção de sons adventícios deve ser feita automaticamente. No entanto, esta tarefa torna-se complexa dado que os sons pulmonares são facilmente mascarados por outros sons respiratórios (e.g., respiração profunda) e sons ambientais.
Adicionalmente, a auscultação computorizada pode ser complementada e combinada com a informação proveniente de imagens de Tomografia de Impedância Eléctrica (EIT). De facto, as imagens de EIT possibilitam obter métricas de ventilação respiratória, bem como as fases co ciclo respiratória, úteis para uma melhor caracterização dos sons respiratórios detectados.
Finalmente, a combinação das duas fontes de informação abre a possibilidade de melhorar sistemas data-driven de apoio ao diagnóstico diferencial de patologias respiratórias (e.g., asma, doença pulmonar obstrutiva crónica, etc.).
Objetivo
Desde há vários anos, o Laboratório de Informática Clínica (LIC) do CISUC tem desenvolvido conjuntos de dados (BD) e sistemas para o processamento de sinais áudio respiratórios e processamento de imagem. Neste projecto, pretende-se desenvolver algoritmos para o diagnóstico automático de patologias respiratórias.
A prossecução do objectivo genérico enunciado consubstancia-se através de um conjunto de objectivos de carácter mais específico, nomeadamente:
- Estudo e aplicação de técnicas de deep learning (aprendizagem profunda) para a segmentação classificação automática de sons respiratórios adventícios, tanto isoladamente como em conjunto. Para tal, existe já uma toolbox desenvolvida no LIC, a qual servirá de ponto de partida. É também objectivo a utilização de técnicas de AI generativa para aumento da dimensão da Respiratory Sound Database (RSD), criada pelo LIC.
- Caracterização dos sons adventícios detectados (conteúdo espectral, intensidade, frequência de ocorrência)
- Estudo e aplicação de técnicas clássicas de machine learning (aprendizagem computacional) e deep learning para a classificação automática de patologias respiratórias, com base numa toolbox de features acústicas e de imagem de EIT já desenvolvida no LIC e da caracterização prévia dos sons adventícios detectados.
Plano de Trabalhos - Semestre 1
1. Análise crítica do estado da arte relativo ao problema do diagnóstico automático de patologias respiratórias, incluindo a revisão dos métodos de segmentantação de sons respiratórios, descritores acústicos e de EIT.
2. Estudo e desenvolvimento de metodologias de data augmentation para o aumento da dimensão da base de dados de sons respiratórios criada pelo LIC.
3. Estudo e desenvolvimento de metodologias de segmentação e classificação automática de sons adventícios com base em técnicas de deep learning (com base na toolbox do LIC).
Plano de Trabalhos - Semestre 2
4. Extracção de features dos sinais acústicos e imagens de EIT, com base na toolbox do LIC.
5. Implementação da abordagem de abordagens de aprendizagem computacional / deep learning para discriminação automática das diferentes patologias respiratórias consideradas. Esta fase envolve a selecção de características, treino de modelo de aprendizagem, optimização, etc.
6. Validação dos modelos desenvolvidos e análise crítica e comparativa dos resultados alcançados.
7. Escrita da tese e artigo científico.
Condições
- Disponibilização de toolbox de segmentação de sons respiratórios adventícios
- Disponibilização de toolbox de extracção de caraterísticas de sinais acústicos e imagens de EIT
- Disponibilização de base de dados de sons respiratórios e imagens de EIT
- Acesso a servidor (alojado no DEI) com 10 placas GPU de alto desempenho
Orientador
Rui Pedro Paiva, Diogo Pessoa
ruipedro@dei.uc.pt 📩