Visualização do documento
Título
Movimento humano e inteligência artificial: desvios escolióticos na coluna lombar
Orientador
Guanis de Barros Vilela Junior
Autor
José Ricardo Lourenço de Oliveira
Palavra chave
Inteligência artificial. Saúde. Escoliose
Grupo CNPQ
Programa
DR - CIÊNCIAS DO MOVIMENTO HUMANO
Área
CIÊNCIAS DA SAÚDE
Data da defesa
28/10/2022
Nº Downloads
145
Resumo
Introdução: As Ciências do Movimento Humano tem avançado ao longo dos anos no cenário da inovação e tecnologia, diante disso, buscou-se a Inteligência Artificial (IA) como instrumento a ser empregue para essa inovação contínua. Sabe-se que a IA têm dominado o século XXI e sua grandeza tem revolucionado o âmbito computacional e vivencial do Ser Humano, aperfeiçoando a aprendizagem das máquinas de forma célere, devido a uma maior rapidez de aprendizado nas tomadas de decisões iniciada já na programação. O uso da IA tem multiplicado o conhecimento na ciência, indústria, comércio, serviços e principalmente na área da saúde, a qual tem beneficiado suas intervenções de forma precisa e eficaz. Desta forma, pensou-se na seguinte questão problema: é possível desenvolver e validar uma rede neural convolucional - CNN (Convolutional Neural Networks) capaz de identificar com eficiência, desvios escolióticos patológicos na coluna lombar? Objetivo: criar, desenvolver e validar um algoritmo inteligente, destinado à avaliação de desvios posturais da coluna lombar, por meio de uma CNN. Métodos: pesquisa descritiva de caráter pré-diagnóstico e métodos de IA aplicados, utilizando códigos em linguagem Python®, bem como, bibliotecas suplementares para a geração da CNN que foi arquitetada com 3 cenários. No primeiro cenário a codificação de programação partiu da modelo referência, sofrendo incrementos para a extração de novas imagens de Raio X (RX). No segundo cenário, pôde-se aprofundar os números de conexões inter e intra camadas da CNN e por fim o terceiro cenário, refere-se à incrementação de duas camadas de transposição de matrizes com a finalidade de melhorar a performance de identificação de existência de desvio patológicos da coluna lombar. Inicialmente obteve-se 2897 imagens cedidas e de banco de dados integralizando ao final 579400 diferentes imagens. As etapas para a estruturação da CNN, compreendem além da consolidação da base de dados, as fases de treinamento e teste do algoritmo. Resultados: Os diferentes cenários geraram, inicialmente, cerca de 260 milhões de parâmetros e com a otimização da CNN, o cenário 3 atingiu melhor performance 1,8 milhões de parâmetros. As métricas finais da CNN, apresentaram acurácia de 96%; precisão de 98%; sensibilidade de 91%; a especificidade 99%. Adicionalmente foram obtidos os índices FMI=0,934; MCC=0,894 e IY=0,877, que garantem maior robustez na eficiência da CNN na identificação de desvios patológicos de coluna lombar. Considerações Finais: A CNN desenvolvida e validada corroborou com a hipótese proposta mostrando elevada confiabilidade no diagnóstico de desvios lombares escolióticos. O presente algoritmo provavelmente apresenta um grande potencial de aplicação nas práticas circunscritas às ciências do movimento humano e podendo contribuir valorosamente em clínicas, estúdios e academias.
Abstract
Introduction: The Human Movement Sciences have advanced over the years in the innovation and technology scenario, in view of this, Artificial Intelligence (AI) was sought as a tool to be used for this continuous innovation. It is known that AI has dominated the 21st century and its greatness has revolutionized the computational and experiential scope of the Human Being, improving machine learning quickly, due to a greater speed of learning in decision-making already initiated in programming. The use of AI has multiplied knowledge in science, industry, commerce, services and especially in the health area, which has benefited its interventions in a precise and effective way. In this way, the following problem question was thought: is it possible to develop and validate a convolutional neural network - CNN (Convolutional Neural Networks) capable of efficiently identifying pathological scoliotic deviations in the lumbar spine? Objective: to create, develop and validate an intelligent algorithm, for the evaluation of postural deviations of the lumbar spine, through a CNN. Methods: pre-diagnosis descriptive research and applied AI methods, using codes in the Python® language, as well as supplementary libraries for generating the CNN, which was designed with 3 scenarios. In the first scenario, the programming encoding started from the reference model, suffering increments for the extraction of new X-Ray (RX) images. In the second scenario, it was possible to deepen the numbers of connections inter and intra layers of CNN and finally the third scenario, refers to the increase of two layers of transposition of matrices with the purpose of improving the performance of identification of the existence of deviation pathologies of the lumbar spine. Initially, 2897 images provided and from the database were obtained, finally adding up to 579400 different images. The steps for structuring the CNN include, in addition to consolidating the database, the training and testing phases of the algorithm. Results: The different scenarios initially generated about 260 million parameters and with the CNN optimization, scenario 3 achieved a better performance of 1.8 million parameters. CNN's final metrics showed an accuracy of 96%; 98% accuracy; 91% sensitivity; the specificity 99%. Additionally, the indices FMI=0.934; MCC=0.894 and IY=0.877, which ensure greater robustness in the efficiency of CNN in identifying pathological deviations of the lumbar spine. Final Considerations: The developed and validated CNN corroborated the proposed hypothesis, showing high reliability in the diagnosis of scoliotic lumbar deviations. The present algorithm probably has a great potential for application in practices limited to the sciences of human movement and can make a valuable contribution in clinics, studios, and academies.
