Ufal desenvolve pesquisa para otimizar resultados de exames cardíacos

Estudo inédito é resultado de mestrado concluído no Instituto de Computação
Por Diana Monteiro - Jornalista
13/04/2022 13h15 - Atualizado em 18/04/2022 às 08h09

Aliar a Ciência da Computação à Cardiologia, para melhorar a precisão de resultados relacionados a exames de Eletrocardiograma (ECG), foi o foco do mestrado recentemente concluído pelo graduado em Engenharia de Computação, Eduardo Moraes de Miranda Vasconcelos, na área de Engenharia Biomédica. A pesquisa teve a coordenação e orientação do professor Thiago Damasceno Cordeiro, do Instituto de Computação (IC) da Universidade Federal de Alagoas (Ufal), também responsável pelo projeto Algoritmos de Aprendizado Profundo para Classificação de Eletrocardiograma.

O projeto foi contemplado pelo edital da Fundação de Amparo à Pesquisa de Alagoas (Fapeal) e da Fundação de Pesquisa de São Paulo (Fapesp) e é ressaltado pelo professor Thiago como uma colaboração à área de Engenharia Biomédica. “A principal vantagem em colaborar com a área da medicina é tentar resolver problemas matemáticos existentes, alguns dos quais não seriam solucionados sem a presença de especialistas em simulações computacionais. O problema da classificação de batimentos não configura uma pesquisa inédita, mas metodologia aplicada, sim”, enfatiza.

Denominada de Classificação dos Batimentos Cardíacos a partir de Sinais de Eletrocardiograma usando uma Rede Neural Convolucional Siamesa, a pesquisa de mestrado, com dissertação defendida em fevereiro deste ano, foi desenvolvida no contexto de uma parceria entre o IC da Ufal e o Instituto do Coração (InCor) do Hospital das Clínicas da Faculdade de Medicina de São Paulo (USP), por meio do projeto.

Sobre a pesquisa, Eduardo explica que foi criado um modelo de rede neural convolucional que fosse capaz de classificar, com elevada precisão, diferentes tipos de batimentos cardíacos quando em uma situação não ideal de desbalanceamento de classes (com muitas  amostras de algumas classes do que de outras), que é algo comum em cenários da vida real. Conforme o estudo, no modelo proposto para a classificação de batimentos cardíacos em sete tipos  diferentes - cuja arquitetura utilizada não havia sido usada na literatura para a finalidade definida - obteve-se êxito nos resultados obtidos.

Os primeiros resultados indicam precisão de até 95% em um conjunto de dados públicos, utilizando modelos compostos de diferentes combinações de similaridade e funções de perda. Os resultados da classificação classe por classe também são comparados com os de métodos similares encontrados na literatura, obtendo-se métricas ao par e até mesmo excedendo-as na classificação de algumas classes. Alguns artigos que faziam uso de técnicas similares surgiram durante as etapas finais da pesquisa,em dezembro de 2021.

Graduado em 2020 pela Ufal, Eduardo teve uma dinâmica vida acadêmica durante a graduação em Engenharia de Computação, atuando em pesquisas coordenadas pelo professor Thiago Damasceno, que realiza estudos científicos tentando ligar a computação a problemas médicos na cardiologia. A participação no Institute of Electrical and Eletronics Engineers (IEEE), fundado no IC da Ufal, bem como de sua sociedade de automação e robótica (RAS), estão em seu currículo como pesquisador que galga mais um importante degrau com o mestrado concluído com êxito e de colaboração à ciência.

A dissertação defendida no dia 24 de fevereiro deste ano  também teve como componentes da banca o professor Baldoino Fonseca dos Santos Neto, da Ufal, e o professor  Filipe Rolim Cordeiro, da Universidade Federal Rural de Pernambuco (UFRPE)

Desenvolvimento do estudo

De acordo com os pesquisadores, o Eletrocardiograma (ECG) é um exame de baixo custo comumente usado para diagnosticar anormalidades no ciclo cardíaco, tais como arritmias e problemas no músculo do coração. Com o avanço das técnicas de aprendizagem de máquinas (ML) nos últimos anos, a classificação automática dos sinais de ECG despertou o interesse da comunidade científica. Entretanto, o processo de anotar grandes e diversos conjuntos de dados para apoiar o treinamento de técnicas ML ainda é muito demorado e propenso a erros.

“Assim, as técnicas de ML cujo treinamento não requer um grande e bem anotado conjunto de dados estão se tornando ainda mais proeminentes. Isto significa que os dados sub-representados nos conjuntos de dados ECG, como raros distúrbios cardiológicos, ainda podem ser devidamente identificados e classificados.  No estudo realizado foi investigado o uso de Redes Neurais Convolucionais Siamesas, populares em problemas de classificação de imagens, para classificar batimentos cardíacos de ECG de 12 derivações.”, diz Eduardo Moraes.

A pesquisa foi dotada de etapas e contemplou o levantamento bibliográfico, identificação de uma base de dados de sinais de eletrocardiograma apropriada, estudo e definição da arquitetura utilizada no modelo, treinamento do modelo, validação, testes de desempenho e análise dos resultados.

Thiago, que é graduado em Engenharia de Computação com doutorado em Engenharia Elétrica e leciona  as disciplinas Sistemas de Controle 1 e 2, Processamento Digital de Sinais e Modelagem do Sistema Cardiovascular Humano, reforça a importância do trabalho Classificação dos Batimentos Cardíacos a partir de Sinais de Eletrocardiograma usando uma Rede Neural Convolucional Siamesa: “a pesquisa, que resultou na metodologia inédita voltada ao máximo de precisão de exames ECG, ainda possui  resultados muito básicos e fazem parte de um longo caminho de pesquisa a ser percorrido. Entretanto, considera que os  resultados obtidos  foram suficientes para demonstrar a viabilidade da metodologia proposta”.

Sobre a continuidade da pesquisa como forte aliado da medicina ele aproveita para dizer que pretende-se evoluir o  estudo para um sistema mais complexo, que seja capaz de fornecer resultados de exames cardiológicos com maior precisão, utilizando a inteligência aumentada (homem + máquina). E acrescenta que continuará contribuindo, nesta área, com publicações relevantes cada vez mais estratégicas para a melhoria dos resultados.