Avaliação de Riscos de Radiação com Modelos de Aprendizado Profundo

Estimar os Riscos da exposição à Radiação é super importante pra proteger a saúde pública. Isso ajuda a definir padrões de segurança e impulsiona a pesquisa em segurança radiológica. Estudos de pessoas que sobreviveram às bombas atômicas em Hiroshima e Nagasaki foram fundamentais pra avaliar esses riscos. Esse grupo tem mais de 86.000 sobreviventes que estavam perto dos locais das bombas, oferecendo uma população grande e variada pra estudar. Esses estudos foram essenciais nos nossos esforços pra entender os efeitos da radiação.

Na nossa pesquisa, vamos usar dados disponíveis publicamente desses estudos que cobrem tumores sólidos e casos de leucemia ao longo de várias décadas. Normalmente, as avaliações de risco de radiação são baseadas em um modelo específico que ajuda a prever quão provável uma pessoa desenvolver Câncer com base na exposição à radiação e outros fatores. Esse modelo analisa as taxas esperadas de câncer e ajusta variáveis como idade, sexo e tempo desde a exposição.

#Modelos tradicionais e suas limitações

A abordagem tradicional se baseia em um modelo matemático simples que faz previsões sobre as taxas de câncer com base nas doses de radiação. Embora esse método seja direto e fácil de entender, ele tem limitações. Pode não captar completamente as relações complexas entre a dose de radiação e o risco de câncer.

Se o modelo não for configurado corretamente, pode levar a estimativas de risco imprecisas. Isso é preocupante, já que esses modelos influenciam decisões de saúde pública e regulamentos de segurança.

#O papel do Deep Learning

Deep learning, uma forma de inteligência artificial, mostrou grande potencial em várias áreas, incluindo saúde. Ele usa algoritmos complexos pra analisar grandes volumes de dados, oferecendo mais flexibilidade do que os métodos tradicionais. Embora o deep learning tenha avançado em muitas áreas, sua aplicação na avaliação de riscos de radiação não foi totalmente explorada.

No nosso estudo, estamos interessados em usar um tipo específico de modelo de deep learning chamado rede neural profunda de Poisson (DNN) pra analisar dados sobre tumores sólidos e leucemia. Nosso objetivo é avaliar os riscos adicionais associados a esses cânceres, identificar fatores de risco chave e ver quão bem o deep learning pode estimar riscos de radiação.

#Dados usados no estudo

Os dados da nossa pesquisa vêm da Radiation Effects Research Foundation, que tem informações importantes sobre os efeitos da radiação. Para tumores sólidos, encontramos dados de quase 25.570 casos entre mais de 105.000 sobreviventes, com um acompanhamento total de mais de 2,7 milhões de anos-pessoa. O grupo inclui mais mulheres do que homens e representa diferentes locais no Japão.

Para casos de leucemia, reunimos dados de 36.841 instâncias depois de excluir registros incompletos. Esse conjunto de dados inclui mais de 113.000 sujeitos e mostra uma distribuição de gênero semelhante e representação geográfica.

#Construindo o modelo de Deep Learning

Desenvolvemos um modelo de deep learning pra prever risco de radiação usando um design de rede específico tanto para tumores sólidos quanto para leucemia. Nosso modelo tem três camadas ocultas com diferentes números de nós. Essa arquitetura foi escolhida pela sua capacidade de processar informações de forma eficaz.

O modelo leva em conta a dose de radiação, vários fatores de risco e a incidência de câncer. Treinamos o modelo usando um grande conjunto de dados de treinamento, garantindo que ele não fique complexo demais ao manter alguns dados de lado pra validação.

#Comparando modelos

Pra avaliar o desempenho do nosso modelo de deep learning, comparamos ele com o modelo paramétrico não linear (NLP), que é amplamente usado pra avaliações de risco de radiação. Ambos os modelos passaram por um processo rigoroso de testes que envolveu dividir os dados em várias partes, treinar os modelos e revisar seus resultados.

Descobrimos que o modelo de deep learning ofereceu desempenho comparável ou ligeiramente melhor ao prever casos de câncer. Em particular, ele se saiu bem para casos de leucemia, mostrando eficácia em várias medidas estatísticas. Para tumores sólidos, o modelo de deep learning teve resultados ligeiramente melhores, indicando seu potencial pra previsões precisas.

#Entendendo os fatores de risco

Usando um método chamado SHAP (Shapley Additive Explanations), examinamos como diferentes características contribuíram pras previsões feitas por ambos os modelos. Isso nos permitiu quantificar a importância de cada fator de risco na determinação da incidência de câncer.

Para tumores sólidos, ambos os modelos identificaram fatores de risco chave semelhantes, como idade e dose de radiação. No entanto, o modelo de deep learning nos permitiu considerar múltiplos fatores ao mesmo tempo, o que pode levar a insights mais detalhados.

Pra leucemia, os principais fatores de risco identificados por ambos os modelos novamente mostraram semelhanças notáveis. Ambas as abordagens reconheceram a importância da dose de radiação e da idade, embora houvesse pequenas diferenças em como esses fatores foram classificados.

#Analisando riscos relativos adicionais (ERRs)

Também analisamos os riscos relativos adicionais (ERRs) associados a tumores sólidos e leucemia usando ambos os modelos. Os ERRs oferecem insights sobre quão mais provável alguém é desenvolver câncer devido à exposição à radiação.

Nos nossos achados, o modelo de deep learning deu mais ênfase à dose de radiação como principal fator de risco para os ERRs, enquanto o modelo NLP mostrou uma classificação diferente de fatores. Essa discrepância destacou uma possível desvantagem dos modelos tradicionais, que podem subestimar o impacto da exposição à radiação.

O modelo de deep learning demonstrou que os fatores relacionados à idade tiveram menos influência nos ERRs em comparação com o modelo NLP, o que pode ter implicações significativas pra como interpretamos os riscos da exposição à radiação.

#Analisando relações dose-resposta

Também investigamos a relação entre a dose de radiação e o risco de câncer em diferentes grupos etários. Nossa análise revelou que o modelo de deep learning forneceu uma imagem mais clara de como os riscos variavam com os níveis de exposição em comparação com o modelo tradicional.

O modelo de deep learning mostrou uma relação mais consistente entre a dose de radiação e o risco de câncer. Em contraste, o modelo NLP tendia a subestimar os riscos para aqueles que eram mais velhos, enquanto superestimava para indivíduos mais jovens. Essa inconsistência pode estar ligada à forma como o modelo NLP é estruturado.

#Conclusões

Resumindo, nossa pesquisa teve como objetivo avaliar a eficácia dos modelos de deep learning na estimativa de riscos de radiação em comparação com modelos paramétricos tradicionais. Embora ambas as abordagens tenham se saído bem na previsão de incidências de câncer, o modelo de deep learning ofereceu maior flexibilidade e precisão na estimativa de riscos relativos adicionais.

Os achados indicaram que o modelo tradicional pode subestimar o impacto da dose de radiação no risco de câncer e superestimar a influência de fatores relacionados à idade. Isso apresenta uma consideração importante para futuras avaliações de risco de radiação e políticas de saúde pública.

Com a crescente importância de abordagens baseadas em dados na saúde, explorar o papel do deep learning na avaliação de riscos de radiação pode levar a uma melhor compreensão e estratégias mais eficazes para a segurança da saúde pública.

Os insights obtidos deste estudo podem ajudar a refinar como avaliamos os riscos de radiação em baixas doses e melhorar os modelos usados nessas avaliações, ajudando a informar melhores decisões de saúde pública.