Triagem automatizada de alterações macroscópicas placentárias com redes neurais convolucionais para auxílio na solicitação de exames anatomopatológicos

Abstract

Patologias placentárias estão associadas a diversos desfechos perinatais desfavoráveis, sendo responsáveis por até 65% dos casos de óbito fetal. O diagnóstico preciso é realizado por meio de exame anatomopatológico; no entanto, como grande parte dos partos ocorre sem intercorrências e, aliado a questões de custo e logística, sua aplicação a todos os partos torna-se desnecessária e inviável. Por essa razão, a seleção dos casos que demandam o exame depende de uma análise macroscópica criteriosa e fundamentada, que, embora eficiente, pode ser trabalhosa e suscetível a subjetividades. Este trabalho propõe o uso de redes neurais convolucionais baseadas em aprendizado por transferência (transfer learning) como suporte automatizado à triagem de padrões morfológicos em placentas humanas. Foram empregados os modelos pré-treinados ResNet-18, ResNet-34, EfficientNet-B0 e EfficientNet-B4 para classificar tanto a presença ou ausência de alterações morfológicas quanto o tipo de anomalia presente, utilizando imagens de placentas provenientes do serviço de Obstetrícia do HU-UFSC/EBSERH e de outras fontes. Para contornar limitações de tamanho e desbalanceamento do conjunto de dados, aplicaram-se técnicas de data augmentation. Os modelos foram avaliados pelas métricas de acurácia, precisão, recall e F1-Score, e os resultados demonstraram elevado desempenho: na primeira tarefa, os modelos ResNet-18 com data augmentation e EfficientNet-B4 com e sem data augmentation atingiram 100% em todas as métricas, enquanto na segunda tarefa o modelo EfficientNet-B0 obteve acurácia de 97,4% e F1-Score de 91,5%. Esses resultados confirmam a viabilidade do uso de aprendizado profundo para classificação de anomalias placentárias, evidenciando o potencial de modelos pré-treinados como ferramentas de apoio à decisão clínica.

Placental pathologies are associated with various adverse perinatal outcomes and are responsible for up to 65% of fetal deaths. Accurate diagnosis is performed through anatomopathological examination; however, since most births occur without complications and, combined with cost and logistical issues, its application to all births becomes unnecessary and unfeasible. For this reason, the selection of cases requiring the examination depends on a careful and well-founded macroscopic analysis, which, although efficient, can be labor-intensive and susceptible to subjectivity. This study proposes the use of convolutional neural networks based on transfer learning as an automated support for screening morphological patterns in human placentas. Pre-trained models ResNet-18, ResNet-34, EfficientNet-B0, and EfficientNet-B4 were employed to classify both the presence or absence of morphological alterations and the type of anomaly present, using images of placentas from the Obstetrics Department of the University Hospital Polydoro Ernani de São Thiago (HU-UFSC/EBSERH) and other sources. To address dataset size and imbalance limitations, data augmentation techniques were applied. The models were evaluated using accuracy, precision, recall, and F1-Score metrics, and the results demonstrated high performance: in the first task, ResNet-18 with data augmentation and EfficientNet-B4 with and without data augmentation achieved 100% across all metrics, while in the second task, EfficientNet-B0 achieved an accuracy of 97.4% and an F1-Score of 91.5%. These results confirm the feasibility of using deep learning for placental anomaly classification, highlighting the potential of pre-trained models as decision-support tools in clinical practice.

Plazentapathologien sind mit verschiedenen ungünstigen perinatalen Ergebnissen assoziiert und verantwortlich für bis zu 65% der Fälle von fetalem Tod. Die präzise Diagnose erfolgt durch eine anatomopathologische Untersuchung; jedoch wird ihre Anwendung auf alle Geburten aufgrund der Tatsache, dass ein großer Teil der Entbindungen ohne Komplikationen verläuft und in Verbindung mit Kosten- und logistischen Fragen unnötig und nicht durchführbar. Aus diesem Grund hängt die Auswahl der Fälle, die eine Untersuchung erfordern, von einer sorgfältigen und fundierten makroskopischen Analyse ab, die zwar effizient ist, jedoch aufwendig sein kann und anfällig für Subjektivität ist. Diese Arbeit schlägt die Verwendung von konvolutionalen neuronalen Netzen auf der Grundlage von Transferlernen als automatisierte Unterstützung für das Screening morphologischer Änderungen in menschlichen Plazenten vor. Es wurden die vortrainierten Modelle ResNet-18, ResNet-34, EfficientNet-B0 und EfficientNet-B4 eingesetzt, um sowohl das Vorhandensein oder Fehlen morphologischer Veränderungen als auch deren Art zu klassifizieren. Die Bilder stammten aus dem Geburtsdienst des Universitätsklinikums HU-UFSC/EBSERH und aus anderen Quellen. Um Einschränkungen hinsichtlich der Datensatzgröße und des Ungleichgewichts zu überwinden, wurden Data-Augmentation-Techniken angewendet. Die Modelle wurden anhand der Metriken Genauigkeit (accuracy), Präzision (precision), Sensitivität (recall) und F1-Score bewertet. Die Ergebnisse zeigten eine hohe Leistungsfähigkeit: In der ersten Aufgabe erreichten ResNet-18 mit Data Augmentation sowie EfficientNet-B4 mit und ohne Data Augmentation in allen Metriken 100%, während bei der zweiten Aufgabe das Modell EfficientNet-B0 eine Genauigkeit von 97.4% und einen F1-Score von 91.5% erzielte. Diese Ergebnisse bestätigen die Machbarkeit des Einsatzes von Deep Learning zur Klassifizierung plazentarer Anomalien und verdeutlichen das Potenzial vortrainierter Modelle als Werkzeuge zur Unterstützung klinischer Entscheidungsprozesse.

Las patologías placentarias están asociadas a diversos desenlaces perinatales adversos y son responsables de hasta el 65% de las muertes fetales. El diagnóstico preciso se realiza mediante examen anatomopatológico; sin embargo, dado que gran parte de los partos ocurre sin complicaciones y, sumado a cuestiones de costo y logística, su aplicación a todos los partos se vuelve innecesaria e inviable. Por esta razón, la selección de los casos que requieren el examen depende de un análisis macroscópico cuidadoso y fundamentado, que, aunque eficiente, puede ser laborioso y susceptible a subjetividades. Este estudio propone el uso de redes neuronales convolucionales basadas en aprendizaje por transferencia como apoyo automatizado para la clasificación de patrones morfológicos en placentas humanas. Se emplearon los modelos preentrenados ResNet-18, ResNet-34, EfficientNet-B0 y EfficientNet-B4 para clasificar tanto la presencia o ausencia de alteraciones morfológicas como el tipo de anomalía presente, utilizando imágenes de placentas provenientes del servicio de Obstetricia del Hospital Universitario Polydoro Ernani de São Thiago (HU-UFSC/EBSERH) y de otras fuentes. Para superar las limitaciones de tamaño y desbalance del conjunto de datos, se aplicaron técnicas de data augmentation. Los modelos fueron evaluados mediante las métricas de exactitud, precisión, recall y F1-Score, y los resultados demostraron un alto rendimiento: en la primera tarea, los modelos ResNet-18 con data augmentation y EfficientNet-B4 con y sin data augmentation alcanzaron el 100% en todas las métricas, mientras que en la segunda tarea el modelo EfficientNet-B0 obtuvo una exactitud del 97,4% y un F1-Score del 91,5%. Estos resultados confirman la viabilidad del uso del aprendizaje profundo para la clasificación de anomalías placentarias, destacando el potencial de los modelos preentrenados como herramientas de apoyo a la decisión clínica.