Performance analysis of pretrained convolutional neural network models for ophthalmological disease classification / Análise de desempenho de modelos de rede neural convolucional pré-treinados para classificação de doenças oftalmológicas

ABSTRACT Purpose: This study aimed to evaluate the classification performance of pretrained convolutional neural network models or architectures using fundus image dataset containing eight disease labels. Methods: A publicly available ocular disease intelligent recognition database has been used for the diagnosis of eight diseases. This ocular disease intelligent recognition database has a total of 10,000 fundus images from both eyes of 5,000 patients for the following eight diseases: healthy, diabetic retinopathy, glaucoma, cataract, age-related macular degeneration, hypertension, myopia, and others. Ocular disease classification performances were investigated by constructing three pretrained convolutional neural network architectures including VGG16, Inceptionv3, and ResNet50 models with adaptive moment optimizer. These models were implemented in Google Colab, which made the task straight-forward without spending hours installing the environment and supporting libraries. To evaluate the effectiveness of the models, the dataset was divided into 70%, 10%, and 20% for training, validation, and testing, respectively. For each classification, the training images were augmented to 10,000 fundus images. Results: ResNet50 achieved an accuracy of 97.1%; sensitivity, 78.5%; specificity, 98.5%; and precision, 79.7%, and had the best area under the curve and final score to classify cataract (area under the curve = 0.964, final score = 0.903). By contrast, VGG16 achieved an accuracy of 96.2%; sensitivity, 56.9%; specificity, 99.2%; precision, 84.1%; area under the curve, 0.949; and final score, 0.857. Conclusions: These results demonstrate the ability of the pretrained convolutional neural network architectures to identify ophthalmological diseases from fundus images. ResNet50 can be a good architecture to solve problems in disease detection and classification of glaucoma, cataract, hypertension, and myopia; Inceptionv3 for age-related macular degeneration, and other disease; and VGG16 for normal and diabetic retinopathy.

RESUMO Objetivo: Avaliar o desempenho de classificação de modelos ou arquiteturas de rede neural convolucional pré--treinadas usando um conjunto de dados de imagem de fundo de olho contendo oito rótulos de doenças diferentes. Métodos: Neste artigo, o conjunto de dados de reconhecimento inteligente de doenças oculares publicamente disponível foi usado para o diagnóstico de oito rótulos de doenças diferentes. O banco de dados de reconhecimento inteligente de doenças oculares tem um total de 10.000 imagens de fundo de olho de ambos os olhos de 5.000 pacientes para oito categorias que contêm rótulos saudáveis, retinopatia diabética, glaucoma, catarata, degeneração macular relacionada à idade, hipertensão, miopia, outros. Investigamos o desempenho da classificação de doenças oculares construindo três arquiteturas de rede neural convolucional pré-treinadas diferentes, incluindo os modelos VGG16, Inceptionv3 e ResNet50 com otimizador de Momento Adaptativo. Esses modelos foram implementados no Google Colab o que facilitou a tarefa sem gastar horas instalando o ambiente e suportando bibliotecas. Para avaliar a eficácia dos modelos, o conjunto de dados é dividido em 70% para treinamento, 10% para validação e os 20% restantes utilizados para teste. As imagens de treinamento foram expandidas para 10.000 imagens de fundo de olho para cada tal. Resultados: Observou-se que o modelo ResNet50 alcançou acurácia de 97,1%, sensibilidade de 78,5%, especificidade de 98,5% e precisão de 79,7% e teve a melhor área sob a curva e pontuação final para classificar a categoria da catarata (área sob a curva=0,964, final=0,903). Em contraste, o modelo VGG16 alcançou uma precisão de 96,2%, sensibilidade de 56,9%, especificidade de 99,2% e precisão de 84,1%, área sob a curva 0,949 e pontuação final de 0,857. Conclusão: Esses resultados demonstram a capacidade das arquiteturas de rede neural convolucional pré-treinadas em identificar doenças oftalmológicas a partir de imagens de fundo de olho. ResNet50 pode ser uma boa solução para resolver problemas na detecção e classificação de doenças como glaucoma, catarata, hipertensão e miopia; Inceptionv3 para degeneração macular relacionada à idade e outras doenças; e VGG16 para retinopatia normal e diabética.

Validation of a deep learning algorithm for bone age estimation among patients in the city of São Paulo, Brazil / Validação de algoritmo de aprendizado profundo para detecção da idade óssea em pacientes de São Paulo, Brasil

Abstract Objective: To validate a deep learning (DL) model for bone age estimation in individuals in the city of São Paulo, comparing it with the Greulich and Pyle method. Materials and Methods: This was a cross-sectional study of hand and wrist radiographs obtained for the determination of bone age. The manual analysis was performed by an experienced radiologist. The model used was based on a convolutional neural network that placed third in the 2017 Radiological Society of North America challenge. The mean absolute error (MAE) and the root-mean-square error (RMSE) were calculated for the model versus the radiologist, with comparisons by sex, race, and age. Results: The sample comprised 714 examinations. There was a correlation between the two methods, with a coefficient of determination of 0.94. The MAE of the predictions was 7.68 months, and the RMSE was 10.27 months. There were no statistically significant differences between sexes or among races (p > 0.05). The algorithm overestimated bone age in younger individuals (p = 0.001). Conclusion: Our DL algorithm demonstrated potential for estimating bone age in individuals in the city of São Paulo, regardless of sex and race. However, improvements are needed, particularly in relation to its use in younger patients.

Resumo Objetivo: Validar em indivíduos paulistas um modelo de aprendizado profundo (deep learning - DL) para estimativa da idade óssea, comparando-o com o método de Greulich e Pyle. Materiais e Métodos: Estudo transversal com radiografias de mão e punho para idade óssea. A análise manual foi feita por um radiologista experiente. Foi usado um modelo baseado em uma rede neural convolucional que ficou em terceiro lugar no desafio de 2017 da Radiological Society of North America. Calcularam-se o erro médio absoluto (mean absolute error - MAE) e a raiz do erro médio quadrado (root mean-square error - RMSE) do modelo contra o radiologista, com comparações entre sexo, etnia e idade. Resultados: A amostra compreendia 714 exames. Houve correlação entre ambos os métodos com coeficiente de determinação de 0,94. O MAE das predições foi 7,68 meses e a RMSE foi 10,27 meses. Não houve diferenças estatisticamente significantes entre sexos ou raças (p > 0,05). O algoritmo superestimou a idade óssea nos mais jovens (p = 0,001). Conclusão: O nosso algoritmo de DL demonstrou potencial para estimar a idade óssea em indivíduos paulistas, independentemente do sexo e da raça. Entretanto, há necessidade de aprimoramentos, particularmente em pacientes mais jovens.

Is it time to consider teleophthalmology as a game-changer in the management of diabetic retinopathy? / É hora de se considerar a teleoftalmologia como um agente de mudança no manejo da retinopatia diabética?

ABSTRACT Currently the "pandemic" of diabetes mellitus is noted. The incidence and prevalence of diabetes and diabetic retinopathy, the most common microvascular complications of diabetes, are exponentially growing due to increased life expectancy in many parts of the world. The increasing number of people suffering from diabetic retinopathy not only highlights medical issues, but also an economic burden, representing a medical and social challenge. It is extremely important to identify a disease as soon as possible and successfully treat it. Technological progress results in developing Artificial Intelligence systems capable of detecting diabetic retinopathy. Current screening will be cost effectively based on the use of advanced digital technologies, in particular teleretinal screening systems. At present, we may consider teleophthalmology and Artificial Intelligence with automatic analysis of fundus photos as a Millennium-minded impactful tool for increasing discoverability and manageability of diabetic retinopathy, especially in filling the gap of inaccessibility to hard-to-reach areas, which enforces highly professionally effective time- and cost-saving care everywhere to provide the best possible care for the patients.

RESUMO Atualmente, observa-se a "pandemia" do diabetes mellitus. A incidência e a prevalência do diabetes e da retinopatia diabética, as complicações microvasculares mais comuns do diabetes, estão crescendo exponencialmente devido ao aumento da expectativa de vida em muitas partes do mundo. O número cada vez maior de pessoas que sofrem de retinopatia diabética não apenas destaca problemas médicos, mas também um ônus econômico, representando um desafio médico e social. É extremamente importante identificar uma doença o mais rápido possível e tratá-la com sucesso. O progresso tecnológico resulta no desenvolvimento de sistemas de Inteligência Artificial capazes de detectar a retinopatia diabética. A triagem atual será econômica com base no uso de tecnologias digitais avançadas, em especial os sistemas de triagem telerretiniana. No momento, podemos considerar a teleoftalmologia e a Inteligência Artificial com análise automática de fotos de fundo de olho como uma ferramenta de impacto do milênio para aumentar a capacidade de descoberta e de manejo da retinopatia diabética, especialmente para preencher a lacuna da inacessibilidade a áreas de difícil acesso, o que impõe um atendimento altamente profissional e eficaz, com economia de tempo e de custos, em todos os lugares, para oferecer o melhor atendimento possível aos pacientes.

Deep learning analysis on the resulting impacts of weekly load training on students' biological system / Análise do aprendizado profundo nos impactos resultantes dos treinos semanais de carga sobre o sistema biológico dos estudantes / Análisis de aprendizaje profundo sobre los impactos resultantes de los entrenamientos semanales de carga en el sistema biológico de los estudiantes

ABSTRACT Introduction The recent development of the deep learning algorithm as a new multilayer network machine learning algorithm has reduced the problem of traditional training algorithms easily falling into minimal places, becoming a recent direction in the learning field. Objective Design and validate an artificial intelligence model for deep learning of the resulting impacts of weekly load training on students' biological system. Methods According to the physiological and biochemical indices of athletes in the training process, this paper analyzes the actual data of athletes' training load in the annual preparation period. The characteristics of athletes' training load in the preparation period were discussed. The value, significance, composition factors, arrangement principle and method of calculation, and determination of weekly load density using the deep learning algorithm are discussed. Results The results showed that the daily 24-hour random sampling load was moderate intensity, low and high-intensity training, and enhanced the physical-motor system and neural reactivity. Conclusion The research shows that there can be two activities of "teaching" and "training" in physical education and sports training. The sports biology monitoring research proves to be a growth point of sports training research with great potential for expansion for future research. Level of evidence II; Therapeutic studies - investigation of treatment outcomes.

RESUMO Introdução O recente desenvolvimento do algoritmo de aprendizado profundo como um novo algoritmo de aprendizado de máquina de rede multicamadas reduziu o problema dos algoritmos de treinamento tradicionais, que facilmente caiam em locais mínimos, tornando-se uma direção recente no campo do aprendizado. Objetivo Desenvolver e validar um modelo de inteligência artificial para aprendizado profundo dos impactos resultantes dos treinos semanais de carga sobre o sistema biológico dos estudantes. Métodos De acordo com os índices fisiológicos e bioquímicos dos atletas no processo de treinamento, este artigo analisa os dados reais da carga de treinamento dos atletas no período anual de preparação. As características da carga de treinamento dos atletas no período de preparação foram discutidas. O valor, significância, fatores de composição, princípio de arranjo e método de cálculo e determinação da densidade de carga semanal usando o algoritmo de aprendizado profundo são discutidos. Resultados Os resultados mostraram que a carga diária de 24 horas de amostragem aleatória foi de intensidade moderada, treinamento de baixa densidade e alta intensidade, e o sistema físico-motor e a reatividade neural foram aprimorados. Conclusão A pesquisa mostra que pode haver duas atividades de "ensino" e "treinamento" na área de educação física e no treinamento esportivo. A pesquisa de monitoramento da biologia esportiva revela-se um ponto de crescimento da pesquisa de treinamento esportivo com grande potencial de expansão para pesquisas futuras. Nível de evidência II; Estudos terapêuticos - investigação dos resultados do tratamento.

RESUMEN Introducción El reciente desarrollo del algoritmo de aprendizaje profundo como un nuevo algoritmo de aprendizaje automático de red multicapa ha reducido el problema de los algoritmos de entrenamiento tradicionales, que caen fácilmente en lugares mínimos, convirtiéndose en una dirección reciente en el campo del aprendizaje. Objetivo Desarrollar y validar un modelo de inteligencia artificial para el aprendizaje profundo de los impactos resultantes del entrenamiento de la carga semanal en el sistema biológico de los estudiantes. Métodos De acuerdo con los índices fisiológicos y bioquímicos de los atletas en el proceso de entrenamiento, este artículo analiza los datos reales de la carga de entrenamiento de los atletas en el período de preparación anual. Se analizaron las características de la carga de entrenamiento de los atletas en el periodo de preparación. Se analizan el valor, el significado, los factores de composición, el principio de disposición y el método de cálculo y determinación de la densidad de carga semanal mediante el algoritmo de aprendizaje profundo. Resultados Los resultados mostraron que la carga diaria de 24 horas de muestreo aleatorio era de intensidad moderada, de baja densidad y de alta intensidad de entrenamiento, y que el sistema físico-motor y la reactividad neural mejoraban. Conclusión La investigación muestra que puede haber dos actividades de "enseñanza" y "formación" en la educación física y el entrenamiento deportivo. La investigación sobre el seguimiento de la biología del deporte demuestra ser un punto de crecimiento de la investigación sobre el entrenamiento deportivo con un gran potencial de expansión para futuras investigaciones. Nivel de evidencia II; Estudios terapéuticos - investigación de los resultados del tratamiento.

Deep learning for analysis of changes in vital capacity and blood markers after swimming matches based on blended learning / Aprendizado profundo para análise das alterações da capacidade vital e marcadores sanguíneos após jogos de natação baseados no aprendizado combinado / Aprendizaje profundo para el análisis de los cambios en la capacidad vital y los marcadores sanguíneos después de los partidos de natación basados en el aprendizaje combinado

ABSTRACT Introduction Nowadays, more people are concerned with physical exercise and swimming competitions, as a major sporting event, have become a focus of attention. Such competitions require special attention to their athletes and the use of computational algorithms assists in this task. Objective To design and validate an algorithm to evaluate changes in vital capacity and blood markers of athletes after swimming matches based on combined learning. Methods The data integration algorithm was used to analyze changes in vital capacity and blood acid after combined learning swimming competition, followed by the construction of an information system model to calculate and process this algorithm. Results Comparative experiments show that the neural network algorithm can reduce the calculation time from the original initial time. In the latest tests carried out in about 10 seconds, this has greatly reduced the total calculation time. Conclusion According to the model requirements of the designed algorithm, practical help has been demonstrated by building a computational model. The algorithm can be optimized and selected according to the calculation model according to the reality of the application. Level of evidence II; Therapeutic studies - investigation of treatment outcomes.

RESUMO Introdução Atualmente, mais pessoas preocupam-se com o exercício físico e as competições de natação, como evento esportivo de destaque, tornou-se foco de atenção. Tais competições exigem atenção especial aos seus atletas e o uso de algoritmos computacionais auxiliam nessa tarefa. Objetivo Projetar e validar um algoritmo para avaliação das alterações da capacidade vital e marcadores sanguíneos dos atletas após os jogos de natação baseados no aprendizado combinado. Métodos O algoritmo de integração de dados foi usado para analisar as mudanças de capacidade vital e ácido sanguíneo após competição de natação de aprendizado combinado, seguido à construção de um modelo de sistema de informação para calcular e processar esse algoritmo. Resultados Experiências comparativas mostram que o algoritmo de rede neural pode reduzir o tempo de cálculo a partir do tempo inicial original. Nos últimos testes levados à cabo em cerca de 10 segundos, isto reduziu muito o tempo total de cálculo. Conclusão De acordo com os requisitos do modelo do algoritmo projetado, foi demonstrada a ajuda prática pela construção de um modelo computacional. O algoritmo pode ser otimizado e selecionado de acordo com o modelo de cálculo, segundo a realidade da aplicação. Nível de evidência II; Estudos terapêuticos - investigação dos resultados do tratamento.

RESUMEN Introducción Hoy en día, cada vez más personas se preocupan por el ejercicio físico y las competiciones de natación, como evento deportivo destacado, se han convertido en un foco de atención. Estas competiciones requieren una atención especial para sus atletas y el uso de algoritmos computacionales ayuda en esta tarea. Objetivo Diseñar y validar un algoritmo para evaluar los cambios en la capacidad vital y los marcadores sanguíneos de los atletas después de los partidos de natación basado en el aprendizaje combinado. Métodos Se utilizó el algoritmo de integración de datos para analizar los cambios de la capacidad vital y la acidez de la sangre tras la competición de natación de aprendizaje combinado, seguido de la construcción de un modelo de sistema de información para calcular y procesar este algoritmo. Resultados Los experimentos comparativos muestran que el algoritmo de la red neuronal puede reducir el tiempo de cálculo con respecto al tiempo inicial. En las últimas pruebas realizadas en unos 10 segundos, esto redujo en gran medida el tiempo total de cálculo. Conclusión De acuerdo con los requisitos del modelo del algoritmo diseñado, se ha demostrado la ayuda práctica mediante la construcción de un modelo computacional. El algoritmo puede optimizarse y seleccionarse según el modelo de cálculo en función de la realidad de la aplicación. Nivel de evidencia II; Estudios terapéuticos - investigación de los resultados del tratamiento.

Swarm algorithms applied to fitness testing of athletes in competition / Algoritmos de enxame aplicados ao exame do condicionamento físico de atletas em competição / Algoritmos de enjambre aplicados a las pruebas de aptitud física de atletas en competición

ABSTRACT Introduction Many countries have increased their investments in human resources and technology for the internal development of competitive sports, leading the world sports scene to increasingly fierce competition. Coaches and research assistants must place importance on feedback tools for frequent training of college athletes, and deep learning algorithms are an important resource to consider. Objective To develop and validate a swarm algorithm to examine the fitness of athletes during periods of competition. Methods Based on the swarm intelligence algorithm, the concept, composition, and content of physical exercises were analyzed. Combined with the characteristics of events, the body function files and the comprehensive evaluation system for high-level athletes were established. Results The insight was obtained that the constant mastery of the most advanced techniques and tactics by athletes is an important feature of modern competitive sports. Physical fitness is not only a valuable asset for athletes but also one of the keys to success in competition. Conclusion Fitness has become an increasingly prominent issue in competition, and the scientific training of contemporary competitive sports has been increasingly refined. Level of evidence II; Therapeutic studies - investigation of treatment outcomes.

RESUMO Introdução Muitos países aumentaram seus investimentos em recursos humanos e tecnologia para o desenvolvimento interno de esportes competitivos, levando o cenário esportivo mundial a uma disputa cada vez mais acirrada. Treinadores e assistentes de pesquisa devem dar importância às ferramentas de feedback para o treinamento frequente dos atletas universitários e os algoritmos de aprendizado profundo são um importante recurso a ser levado em consideração. Objetivo Desenvolver e validar um algoritmo de enxame para examinar o condicionamento físico dos atletas em períodos de competição. Métodos Com base no algoritmo de inteligência de enxame, o conceito, composição e conteúdo de exercícios físicos foram analisados. Combinado com as características dos eventos, os arquivos de funções corporais e o sistema abrangente de avaliação de atletas de alto nível foram estabelecidos. Resultados Obteve-se a percepção de que o constante domínio das técnicas e táticas mais avançadas pelos atletas é uma característica importante dos esportes competitivos modernos. A aptidão física não é apenas um ativo valioso para os atletas, mas também uma das chaves para o sucesso nas competições. Conclusão A aptidão física tem se tornado cada vez mais um problema proeminente na competição, sendo o treinamento científico dos esportes competitivos contemporâneos cada vez mais aperfeiçoado. Nível de evidência II; Estudos terapêuticos - investigação dos resultados do tratamento.

RESUMEN Introducción Muchos países han aumentado sus inversiones en recursos humanos y tecnología para el desarrollo interno del deporte de competición, lo que ha llevado al panorama deportivo mundial a una competencia cada vez más feroz. Los entrenadores y asistentes de investigación deben dar importancia a las herramientas de retroalimentación para el entrenamiento frecuente de los atletas universitarios y los algoritmos de aprendizaje profundo son un recurso importante a tener en cuenta. Objetivo Desarrollar y validar un algoritmo de enjambre para examinar el estado físico de los atletas durante los periodos de competición. Métodos A partir del algoritmo de inteligencia de enjambre, se analizó el concepto, la composición y el contenido de los ejercicios físicos. En combinación con las características de los eventos, se establecieron los archivos de funciones corporales y el sistema de evaluación integral de los atletas de alto nivel. Resultados Se obtuvo la conclusión de que el dominio constante de las técnicas y tácticas más avanzadas por parte de los atletas es una característica importante de los deportes de competición modernos. La forma física no sólo es un activo valioso para los deportistas, sino también una de las claves del éxito en las competiciones. Conclusión La aptitud física se ha convertido en una cuestión cada vez más importante en la competición, y el entrenamiento científico de los deportes de competición contemporáneos es cada vez mejor. Nivel de evidencia II; Estudios terapéuticos - investigación de los resultados del tratamiento.

Investigation of tactile gait parameters based on deep learning of energy consumption estimation algorithm in sport / Investigação sobre parâmetros tácteis de marcha baseados no aprendizado profundo do algoritmo de estimativa de consumo energético no esporte / Investigación sobre los parámetros táctiles de marcha basados en el aprendizaje profundo del algoritmo de estimación del consumo de energía en el deporte

ABSTRACT Introduction In medicine, Deep Learning is a type of machine learning that aims to train computers to perform human tasks by simulating the human brain. Gait recognition and gait motion simulation is one of the most interesting research areas in the field of biometrics and can benefit from this technological feature. Objective To use Deep Learning to format and validate according to the dynamic characteristics of gait. Methods Gait was used for identity recognition, and gait recognition based on kinematics and dynamic gait parameters was performed through pattern recognition, including the position and the intensity value of maximum pressure points, pressure center point, and pressure ratio. Results The investigation shows that the energy consumption of gait as modeled analyzed, and the model of gait energy consumption can be obtained, which is comprehensively affected by motion parameters and individual feature parameters. Conclusion Real-time energy measurement is obtained when most people walk. The research shows that the gait frequency and body parameters obtained from the tactile parameters of gait biomechanics can more accurately estimate the energy metabolism of exercise and obtain the metabolic formula of exercise. There is a good application prospect for assessing energy metabolism through the tactile parameters of gait. Level of evidence II; Therapeutic studies - investigating treatment outcomes.

RESUMO Introdução Na medicina, o aprendizado profundo é um tipo de aprendizado de máquina que visa treinar computadores para a realização de tarefas humanas simulando o cérebro humano. O reconhecimento da marcha e a simulação do movimento de marcha são um dos pontos de maior interesse da investigação no campo da biometria e pode ser beneficiado com esse recurso tecnológico. Objetivo Utilizar o aprendizado profundo para formatar e validar, de acordo com as características dinâmicas da marcha. Métodos A marcha foi utilizada para o reconhecimento da identidade, e o reconhecimento da marcha baseado na cinemática e parâmetros dinâmicos de marcha foi realizado através do reconhecimento de padrões, incluindo a posição e o valor de intensidade dos pontos de pressão máxima, ponto central de pressão e relação de pressão. Resultados A investigação mostra que o consumo de energia da marcha como modelado analisado, e o modelo de consumo de energia da marcha pode ser obtido, o qual é afetado de forma abrangente pelos parâmetros de movimento e pelos parâmetros de características individuais. Conclusão A medição de energia em tempo real é obtida quando a maioria das pessoas caminha. A investigação mostra que a frequência da marcha e os parâmetros corporais obtidos a partir dos parâmetros tácteis da biomecânica da marcha podem estimar com maior precisão o metabolismo energético do exercício e obter a fórmula metabólica do exercício. Há uma boa perspectiva de aplicação para avaliar o metabolismo energético através dos parâmetros tácteis da marcha. Nível de evidência II; Estudos terapêuticos - investigação dos resultados do tratamento.

RESUMEN Introducción En medicina, el aprendizaje profundo es un tipo de aprendizaje que pretende entrenar a los ordenadores para que realicen tareas humanas simulando el cerebro humano. El reconocimiento de la marcha y la simulación de su movimiento es uno de los puntos más interesantes de la investigación en el campo de la biometría y puede beneficiarse de este recurso tecnológico. Objetivo Utilizar el aprendizaje profundo para formatear y validar según las características dinámicas de la marcha. Métodos Se utilizó la marcha para el reconocimiento de la identidad, y el reconocimiento de la marcha basado en la cinemática y los parámetros dinámicos de la marcha se realizó mediante el reconocimiento de patrones, incluyendo la posición y el valor de la intensidad de los puntos de presión máxima, el punto de presión central y la relación de presión. Resultados La investigación muestra que el consumo de energía de la marcha, tal y como se analizó, y el modelo de consumo de energía de la marcha se puede obtener, que es ampliamente afectado por los parámetros de movimiento y los parámetros de las características individuales. Conclusión La medición de la energía en tiempo real se obtiene cuando la mayoría de la gente camina. La investigación muestra que la frecuencia de la marcha y los parámetros corporales obtenidos a partir de los parámetros táctiles de la biomecánica de la marcha pueden estimar con mayor precisión el metabolismo energético del ejercicio y obtener la fórmula metabólica del mismo. Existe una buena perspectiva de aplicación para evaluar el metabolismo energético a través de los parámetros táctiles de la marcha. Nivel de evidencia II; Estudios terapéuticos - investigación de los resultados del tratamiento.

Decoding Deep Learning applications for diagnosis and treatment planning

ABSTRACT Introduction: Artificial Intelligence (AI), Machine Learning and Deep Learning are playing an increasingly significant role in the medical field in the 21st century. These recent technologies are based on the concept of creating machines that have the potential to function as a human brain. It necessitates the gathering of large quantity of data to be processed. Once processed with AI machines, these data have the potential to streamline and improve the capabilities of the medical field in diagnosis and treatment planning, as well as in the prediction and recognition of diseases. These concepts are new to Orthodontics and are currently limited to image processing and pattern recognition. Objective: This article exposes and describes the different methods by which orthodontics may benefit from a more widespread adoption of these technologies.

RESUMO Introdução: Inteligência Artificial (AI, de Artificial Intelligence), Machine Learning (Aprendizado de máquinas) e Deep Learning (Aprendizado Profundo) possuem um papel significativo e crescente na área médica do século 21. Essas tecnologias recentes são baseadas no conceito de criar máquinas com potencial de funcionar como um cérebro humano. Isso demanda que uma grande quantidade de dados seja reunida para ser processada. Uma vez processados em máquinas com AI, esses dados têm o potencial de agilizar e potencializar as capacidades de diagnóstico e planejamento do tratamento nas áreas médicas, assim como no diagnóstico e prognóstico de doenças. Esses são conceitos novos na Ortodontia, que atualmente são subutilizados, limitando-se ao processamento de imagens e reconhecimento de padrões. Objetivo: O presente artigo expõe e descreve os diferentes métodos pelos quais os ortodontistas podem se beneficiar com o uso mais abrangente dessas tecnologias.

Abordagens de aprendizado e sua correlação com ambiente educacional e características individuais em escola médica / Learning approaches and their correlation with the teaching environment and individual characteristics in medical school

Resumo: Introdução: A qualidade de aprendizado de estudantes de escolas médicas tem sido tema recorrente da literatura mundial nas últimas décadas, mas há escassez de estudos nacionais acerca do assunto. O ambiente de ensino deve favorecer o aprendizado profundo, por estar intimamente relacionado com uma aprendizagem significativa. Metodologias ativas de aprendizagem são vinculadas a maior qualidade de aprendizado, por propiciarem ambiente favorável ao aprendizado profundo. Objetivo: Este estudo teve como objetivos avaliar a qualidade do aprendizado de estudantes de Medicina de um curso que adota metodologias ativas de aprendizagem e correlacioná-la com as percepções dos alunos acerca do ambiente educacional e com dados sociodemográficos. Método: Trata-se de estudo descritivo transversal realizado com estudantes do curso de Medicina da Universidade Federal de São Carlos (UFSCar), do primeiro ao sexto ano. Foram utilizados os instrumentos R-SPQ-2F, DREEM e questionário sociodemográfico. Realizou-se análise descritiva, e compararam-se as frequências por meio do teste do qui-quadrado ou teste exato de Fisher. As diferenças entre médias foram avaliadas por meio de teste t de Student ou teste de Mann-Whitney, quando se compararam somente dois grupos, ou por meio de análise de variância (ANOVA) ou teste de Kruskal-Wallis, quando comparados mais de dois grupos. As associações entre as variáveis quantitativas foram verificadas por meio do coeficiente de correlação de Pearson ou de Spearman. A análise estatística foi realizada com auxílio do programa IBM SPSS Statistics versão 25.0, e adotou-se como parâmetro de significância um valor de p < 0,05. Resultado: Entrevistaram-se 226 alunos. A pontuação média para abordagem profunda foi de 33,52 e, para a abordagem superficial, 17,42. Em relação à percepção do ambiente educacional, a média foi de 129,77 pontos. As variáveis objetivas que demonstraram influência sobre o aprendizado foram: sexo, idade de início do curso, contato prévio com metodologias ativas, prática de idiomas, ter graduação ou pós-graduação prévia, receber auxílio financeiro de familiares e ano da graduação. Conclusão: As metodologias ativas de aprendizagem podem estimular a adoção de estratégias de aprendizado profundo. O estudo dos fatores que influenciam na abordagem de aprendizado é complexo e envolve questões individuais subjetivas.

Abstract: Introduction: The quality of learning of medical students has been a recurring subject of research in recent decades, but there are scarce national studies on it. The learning environment should encourage deep learning, as it is intimately related to meaningful learning. Active learning methods are linked to better quality of learning, since they provide a favorable environment for deep learning. Objective: The aim of this study was to evaluate the quality of learning of students at a medical school that adopts active learning methods for all course years and correlate it to students' views on educational environment and sociodemographic data. Method: This is a cross-sectional descriptive study with 1st to 6th-year medical students from the Federal University of São Carlos. The R-SPQ-2f, DREEM and sociodemographic questionnaires were applied. Descriptive analysis was performed, and frequencies were compared using chi-square test or Fisher's exact test. Differences between means were evaluated with either Student's t-test or Mann-Whitney's test, when comparing only two groups, and with one-way analysis of variance (ANOVA) or Kruskal-Wallis' test, when comparing more than two groups. Associations between quantitative variables were verified with either Pearson's or Spearman's correlation coefficient. Statistical analysis was performed with IBM SPSS Statistics version 25.0. For significance, p-value<0.05 was adopted. Result: 226 students were interviewed. The average deep learning score was 33.52 points, and, for superficial learning, 17.42 points. As for how the environment was perceived, the average score was 129.77. The objective variables that showed influence in learning were sex, course start age, previous contact with active learning methods, language study, previous undergraduate training, or post-graduate degree, receiving financial help from family and current course year. Conclusion: Active learning methods may stimulate the adoption of deep learning strategies. The evaluation of factors that influence study approaches is complex, involving subjective individual parameters.

Aplicações do Deep Learning para diagnóstico de doenças e identificação de insetos vetores / Deep Learning applications for disease diagnosis and identification of insect vectors

RESUMO Deep Learning é uma técnica de aprendizado de máquina na qual o programa computacional aprende padrões diretamente a partir de imagens classificadas previamente. O presente ensaio objetivou apresentar essa técnica e algumas de suas aplicações para diagnóstico de doenças e identificação de insetos vetores para incentivar profissionais da saúde que não tenham conhecimento aprofundado em informática e que desejem utilizar a ferramenta para realizar análises automatizadas. Deep Learning tem sido aplicado para diagnóstico de câncer, fibrose cardíaca, tuberculose, detecção de parasitos como Plasmodium e Leishmania e ainda para identificação de insetos vetores. Na Universidade de Brasília, a técnica tem sido aplicada para desenvolver uma ferramenta para identificar lesões ulceradas de leishmaniose em diagnóstico diferencial e para detectar Leishmania em lâminas de estudos histopatológicos. Além disso, Deep Learning tem sido usado para identificar as espécies de vetores da doença de Chagas - o que é importante para auxiliar na vigilância epidemiológica. O uso da tecnologia envolve desafios éticos e procedimentais que são discutidos no presente ensaio. O ensaio aponta perspectivas de desenvolvimento de aplicativos que auxiliem os profissionais de saúde no diagnóstico de Leishmaniose e de vetores da doença de Chagas, o que vai ao encontro dos objetivos da pesquisa translacional.

ABSTRACT Deep Learning is a machine learning technique in which the computational algorithm learns patterns directly from images previously classified. The present essay aims to show some of its applications for clinical diagnosis and identification of insect vectors to encourage health professionals who do not have deep knowledge of computer science and who wish to use the tool to perform automated analyzes. Deep Learning has been applied to the diagnosis of cancer, cardiac fibrosis, tuberculosis, detection of parasites such as Plasmodium and Leishmania, and to identify insect vectors. At the University of Brasília, Deep Learning has been used to develop a tool to identify ulcers caused by leishmaniasis, as well as to detect Leishmania parasites. Moreover, Deep Learning was applied to identify the species of vectors of Chagas disease, an important contribution to the epidemiological surveillance of the disease. The use of Deep Learning involves some ethical and procedural issues that are discussed in this paper. Finally, the essay points out perspectives of development of apps that assist health professionals in the diagnosis of Leishmaniasis and Chagas disease vectors, which meets the goals of translational research.

Inteligência artificial e diagnóstico por imagem - o futuro chegou? / Artificial intelligence and diagnostic imaging - has the future come?

Na nova era da Medicina de Precisão, a inteligência artificial (IA) - um conjunto de sistemas e programas que permitem às máquinas serem capazes de executar tarefas que habitual mente exigiriam a participação humana - emerge como ferramenta capaz de criar novas maneiras de analisar as imagens médicas além dos parâmetros morfológicos convencionais. Embora ainda não estejam completamente disponíveis para o uso clínico, essa nova abordagem tem grande potencial de aplicação na prática clínica e de pesquisa médica. A discussão dos conceitos básicos, potenciais aplicações e limitações das novas técnicas de IA no diagnóstico por imagem é importante para a interpretação adequada do potencial efeito que essa tecnologia teria na medicina, contrapondo-se à excessiva ansiedade despertada por abordagens superficiais e apressadas. Este artigo tem por objetivo apresentar uma visão equilibrada e atual sobre o tema, com especial foco no presente e no futuro da imagenologia cardíaca

In the new era of Precision Medicine, artificial intelligence (AI) - a set of systems and programs that enable machines to be able to perform cognitive tasks that would usually require human participation emerges as a tool that can create new ways of analyzing images beyond the conventional morphological parameters. Although not yet ready for clinical use, these tools have a potential effect on clinical and research practice. The discussion of the basic concepts, potential applications and limitations of new AI techniques in imaging diagnosis is important for a balanced interpretation of their results, as opposed to the excessive anxiety recently observed among professionals dealing with the subject. In this brief article, we aim to take a balanced and attentive look on this subject, with special focus on the horizon of modern cardiac imaging