XRayCovid-19
XRayCovid-19 é um projeto em andamento que utiliza Inteligência Artificial para auxiliar o sistema de saúde no processo de diagnóstico da COVID-19. Caracteriza-se pela facilidade de uso; eficiência no tempo de resposta e eficácia no resultado.
O objetivo deste projeto é fornecer uma ferramenta de auxílio ao diagnóstico de acesso gratuito para auxiliar os profissionais que trabalham no sistema de saúde a enfrentar a atual pandemia de forma mais eficiente.
Este é o primeiro projeto desenvolvido pela ATISLabs vinculado ao Departamento de Ciência da Computação e ao Programa de Pós-Graduação em Humanidades Digitais, ambos baseados no Campus Nova Iguaçu, Instituto Multidisciplinar da Universidade Federal Rural do Rio de Janeiro.
Por que radiografias?
As radiografias de tórax são exames de baixo custo, rotineiramente realizados em unidades de atendimento de emergência, hospitais públicos e privados. Podem ser obtidas em poucas horas e são importantes para o diagnóstico de pneumonias variadas, e as características da imagem podem sugerir infecção causada pela COVID-19.
Por que implementar tal método?
A dificuldade de realizar testes em massa é agora um problema mundial. A possível subnotificação nas infecções e mortes leva a estimativas imprecisas, o que dificulta o ajuste das intervenções governamentais e prejudica a tomada de decisões pelos diferentes níveis de governo. Dessa forma, novos sistemas que auxiliam no diagnóstico rápido podem ajudar a gerar estatísticas mais confiáveis.
A triagem rápida de casos de pneumonia resultantes da COVID-19 em relação àqueles gerados por outras causas também pode colaborar na organização do atendimento diante do avanço da pandemia.
Fornecer respostas para problemas dessa natureza é um grande desafio para a área de Inteligência Artificial, e essa experiência pode abrir perspectivas para novos avanços no campo da Medicina Diagnóstica mesmo após o término da atual crise.
Detalhes Técnicos
Aplicamos ferramentas avançadas (linguagem Julia, Aprendizado Profundo, framework Flux) e os melhores modelos disponíveis (Redes Convolutivas) para gerar previsões do sistema. Nosso tempo de diagnóstico é de 55ms e nossa precisão média é de 92%.