A Dra. Elizabeth Caro e o Dr. Eduardo Silva, investigadores da UNEATLANTICO, estão a colaborar num estudo que propõe uma técnica inovadora para melhorar a qualidade da deteção da malária utilizando tecnologia de aprendizagem profunda.
A malária é uma doença perigosa que é causada pela picada de mosquitos fêmeas infectados. É infecciosa não só entre os seres humanos, mas também entre os animais. Provoca sintomas ligeiros, como febre, dores de cabeça, suores, vómitos e desconforto muscular. Os sintomas graves incluem coma, convulsões e insuficiência renal.
O elevado número de casos de malária, especialmente em África, no Sudeste Asiático e no Mediterrâneo Oriental, pôs à prova a eficácia da deteção manual de glóbulos vermelhos infectados. O método convencional de diagnóstico da doença envolve o exame determinístico de amostras de sangue ao microscópio. Esta abordagem pode ser um desafio, devido à sobreposição de células em amostras espessas, o que pode dificultar a distinção entre células saudáveis e infectadas.
Para acelerar o diagnóstico das infecções por malária, foi proposta a utilização de câmaras digitais de alta resolução ou de telemóveis para captar imagens de amostras de sangue. No entanto, a qualidade das fotografias tiradas com telemóveis pode ser inferior, o que dificulta a interpretação manual e a deteção de doenças utilizando algoritmos de aprendizagem automática.
Para ultrapassar estes desafios, foi implementada a utilização de algoritmos de aprendizagem profunda que podem processar rapidamente imagens e estimar caraterísticas importantes para o diagnóstico e a classificação da malária. Os métodos de aprendizagem automática, como as máquinas de vectores de apoio, os classificadores Naive Bayes e as redes neurais, demonstraram uma precisão de deteção de infecções entre 83,5% e 85%. No entanto, o sucesso destes algoritmos depende em grande medida do acesso a vectores de caraterísticas bem construídos e discriminativos extraídos por profissionais formados.
Por conseguinte, foi desenvolvido um modelo automatizado e eficiente baseado na aprendizagem profunda utilizando amostras de glóbulos vermelhos. Esta abordagem alcançou uma pontuação de precisão elevada de 97,57% para a deteção da malária. Utilizando algoritmos de pré-processamento rápidos e automatizando a extração de caraterísticas, é possível obter um diagnóstico preciso e fiável da doença. O algoritmo elimina a necessidade de extração manual de caraterísticas, reduzindo significativamente a carga de trabalho dos patologistas e acelerando o processo de diagnóstico.
Esta abordagem inovadora combina dois elementos essenciais: análise de imagens e algoritmos treinados. Ao treinar o algoritmo com um grande conjunto de dados de imagens de amostras de sangue, não só detecta e diagnostica a malária com precisão, como também avalia a gravidade do parasita. Esta análise abrangente beneficia tanto os patologistas como os doentes, fornecendo resultados eficientes, económicos e fiáveis.
Esta metodologia inovadora oferece uma solução prometedora para regiões com falta de patologistas qualificados. A implementação desta abordagem tem o potencial de revolucionar a deteção da malária, conduzindo, em última análise, a uma gestão mais eficiente deste problema de saúde global.