Comunicação
Fapesp: Técnica baseada em inteligência artificial permite detectar doença de Chagas com imagem de celular
Na mídia

Fapesp: Técnica baseada em inteligência artificial permite detectar doença de Chagas com imagem de celular

30.05.2022

Luciana Constantino / Agência Fapesp


Quando o imunologista Helder Nakaya visitou o Instituto Evandro Chagas, em Belém (PA), em 2017, havia uma comoção porque um dos melhores microscopistas da entidade estava se aposentando à época. Com isso, grande parte daquele conhecimento que permitia identificar rapidamente e com precisão cepas do protozoário Leishmania se perderia.


“Fiquei intrigado achando um desperdício perder toda a expertise acumulada por décadas. Foi aí que começamos a pesquisar e tentar treinar o computador com a sabedoria do profissional para atuar na identificação de microrganismos e com baixo custo”, explica Nakaya à Agência Fapesp.


Cinco anos depois, um grupo de pesquisadores, sob a coordenação de Nakaya e do cientista Mauro César Cafundó de Morais, publicou o resultado de um estudo mostrando que é possível usar inteligência artificial para detectar o Trypanosoma cruzi, protozoário causador da doença de Chagas, em imagens de amostras de sangue obtidas com celular e analisadas em microscópio óptico.


O algoritmo desenvolvido pelo grupo está disponível em artigo publicado sexta-feira (27/05) na revista científica PeerJ. A pesquisa recebeu apoio da Fapesp (projetos 20/12017-9 e 15/22308-2) e reuniu profissionais de várias áreas, desde biologia até matemática e computação.


“Conseguimos um bom resultado de aprendizagem da máquina. Tendo o algoritmo funcionado bem para doença de Chagas, ele poderá ser adaptado para outros propósitos que dependam de imagens, como análise de amostras de fezes, dermatologia e colposcopia”, diz Nakaya, que é pesquisador do Hospital Israelita Albert Einstein, da Plataforma Científica Pasteur-USP, do Instituto Todos pela Saúde e do Centro de Pesquisa em Doenças Inflamatórias (Crid), um Centro de Pesquisa, Inovação e Difusão (Cepid) da Fapesp sediado na Faculdade de Medicina de Ribeirão Preto da Universidade de São Paulo (FMRP-USP).


Uma forma de diagnóstico da doença de Chagas é feita por microscopistas treinados que detectam os parasitas em amostras de sangue. Para isso, é preciso um microscópio profissional, que pode ser acoplado a uma câmera de alta resolução, mas isso muitas vezes deixa o método caro e de difícil acesso para pessoas de baixa renda.


Classificada pela Organização Mundial da Saúde (OMS) como uma das doenças tropicais negligenciadas (DTNs), a de Chagas é considerada uma condição infecciosa crônica, cuja prevenção está ligada ao modo de transmissão, ou seja, ao controle do inseto barbeiro. Isso demanda resposta das redes de atenção à saúde.


Endêmica em 21 países das Américas, a infecção pelo Trypanosoma cruzi afeta aproximadamente 6 milhões de pessoas, com incidência anual de 30 mil casos novos na região, levando, em média, a 14 mil mortes por ano. Além disso, estima-se que cerca de 70 milhões de pessoas vivam em áreas de exposição ao barbeiro e corram o risco de contrair a doença.


No Brasil, mesmo com a tendência de queda das taxas de mortalidade, houve uma média de 4 mil óbitos a cada ano decorrentes da doença na última década.


‘Ensinando’ a máquina


Os pesquisadores desenvolveram uma abordagem de aprendizado do computador baseada na chamada random forest (floresta aleatória, em tradução livre), criando um algoritmo para detecção e contagem de tripomastigotas do Trypanosoma cruzi em imagens obtidas com a câmera de telefone celular. Os tripomastigotas são a forma morfológica do protozoário presente na fase extracelular e encontrada no sangue de pacientes com a doença aguda.


Foram analisadas micrografias de amostras de esfregaço de sangue registradas em imagens com uma resolução de 12 megapixels. Foi extraído um conjunto de parâmetros morfométricos (forma e tamanho), cor e medições de textura de 1.314 parasitas.


Nessa etapa, os cientistas João Santana Silva, Paola Minoprio e Ricardo Gazzinelli, especialistas em parasitas, ajudaram a “ensinar” a máquina a reconhecê-los, especialmente o Trypanosoma. Também colaboraram os pesquisadores da USP Roberto Marcondes César Jr. e Luciano da Fontoura Costa, especialistas em aprendizado de máquina e processamento de imagem.


Depois, as amostras foram divididas em conjuntos de treino e teste, e, então, classificadas usando o algoritmo random forest. Os resultados foram valores de precisão e de sensibilidade considerados altos – ficaram em 87,6% e 90,5%, respectivamente. Foi analisada a área sob a curva Característica de Operação do Receptor (curva ROC, na sigla em inglês), uma representação gráfica que ilustra o desempenho ou a performance de um sistema classificador binário à medida que o seu limiar de discriminação varia.


Assim, o grupo conseguiu automatizar a análise de imagens adquiridas com um dispositivo móvel, obtendo uma alternativa para reduzir custos e aumentar a eficiência no uso do microscópio óptico.


“A ideia é gerar imagem e analisá-la em microscópio que possa ser enviado a lugares remotos do Brasil para o próprio aplicativo dizer se é ou não doença de Chagas. Por isso é importante termos também um microscópio robusto e de baixo custo que possa automaticamente coletar as imagens”, complementa Nakaya.


Segundo o pesquisador, a proposta é deixar o algoritmo aberto para que a comunidade científica contribua com outros dados e recursos. Um dos desafios agora é conseguir microscópios de baixo custo, como o equipamento produzido em papel e inventado pelos cientistas Manu Prakash e Jim Cybulski, na Stanford University (Estados Unidos), mas que acabou não tendo resultados esperados na aplicação com os parasitas.


O artigo Automatic detection of the parasite Trypanosoma cruzi in blood smears using a machine learning approach applied to mobile phone images pode ser lido em https://peerj.com/articles/13470.


Conteúdo reproduzido na íntegra da Agência Fapesp (clique aqui)
 

Instituto Todos pela Saúde (ITpS) Av. Paulista, 1.938 – 16º andar
São Paulo - SP – 01310-942