O grupo de pesquisa Deep Learning Brasil, comunidade interinstitucional fundada na Universidade Federal de Goiás participou do RSNA Pediatric Bone Age Challenge 2017 promovido pela sociedade americana de radiologia ( Radiological Society of North America - RSNA). O desafio envolve um clássico tipo de exame em que o médico radiologista determina a idade óssea do paciente a partir de um exame de raio-X da mão esquerda. Em associação com a equipe de radiologistas da Universidade Federal de São Paulo, liderados pelo médico radiologista Felipe Kitamura, o grupo de pesquisa Deep Learning Brasil aderiu ao desafio com o propósito de medir o conhecimento frente a outros grupos de pesquisas espalhados pelo mundo. Um dos desafios foi compreender os aspectos do problema em um curto período. Após 60 dias de competição o resultado preliminar foi:
Ordenado pela métrica CCC
| Posição | Equipe | CCC |
| 1 | Deep Learning Brasil (Unifesp/UFG) | 0.979 |
| Chen (Stanford) | 0.979 | |
| s8t (Vinculação desconhecida) | 0.979 | |
| 4 | Cadrin (Stanford) | 0.977 |
| 5 | Hodberg (Visiana Company) | 0.974 |
| 6 | Brata (Columbia University) | 0.973 |
| 7 | Lanjun (Wair Company) | 0.969 |
| 8 | Mamro (Vinculação desconhecida) | 0.968 |
| 9 | HiBrothers (HI Brothers) | 0.964 |
| 10 | Yinterim (Vinculação desconhecida) | 0.959 |
Odernado pela métrica MAD
| Posição | Equipe | MAE |
| 1 | Brata (Columbia University) | 5.911 |
| 2 | Cadrin (Stanford) | 6.102 |
| 3 | b8t (Vinculação desconhecida) | 6.123 |
| 4 | Deep Learning Brasil (Unifesp/UFG) | 6.164 |
| 5 | CHen (Stanford) | 6.209 |
| 6 | Ianpam (Vinculação desconhecida) | 6.406 |
| 7 | Hodberg (Visiana Company) | 6.455 |
| 8 | Rayan (BoneXpert) | 6.934 |
| 9 | Shyam (Vinculação desconhecida) | 7.107 |
| 10 | Chryam (Vinculação desconhecida) | 7.356 |
Houve ainda uma fase final para definição do grande vencedor. Entre 300 participantes no mundo, incluindo pessoas, equipes e empresas, a equipe composta por engenheiros e cientistas da computação da Universidade Federal de Goiás e médicos radiologistas do Departamento de Diagnóstico por Imagem da Universidade Federal de São Paulo ficou em terceiro lugar. Atingimos um erro médio de 4 meses e 11 dias (o erro médio do primeiro colocado foi de 4 meses e 8 dias). A diferença entre os três primeiros colocados pode ser considerada estatisticamente insignificante. A distinção neste nível de precisão é difícil em razão de que para algumas imagens de raio-X o valor de gabarito é impreciso.
Apesar de limitações de infra-estrutura de hardware, os resultados obtidos demonstraram que o grupo Deep Learning Brasil atingiu um estágio avançado de conhecimento, compatível com alguns dos principais pesquisadores no mundo. Agradecemos a Nvidia pela doação de uma GPU de média capacidade e a Data-H Ciência de dados, (www.datah.com.br) patrocionadora master do nosso grupo. Aproveitamos para oferecer as nossas boas vindas a Science Medical Center e Americas Health Labs ao portifólio de patrocinadores.
Estaremos no dia 27/11/2017 na cidade de Chicago para a cerimônia de premiação dos três primeiros colocados.
Equipe Deep Learning Brasil no desafio RSNA 2017
Felipe Kitamura (Unifesp) (https://www.linkedin.com/in/felipe-kitamura-7a6477a1/)
Igor Santos (Unifesp) (https://www.linkedin.com/in/igorafael-santos/)
Gabriel Alencar (Unifesp)
Anderson Soares (UFG) https://www.linkedin.com/in/profandersonsoares/)
Lucas Araújo (UFG) (https://www.linkedin.com/in/apereiral/)
Rafael Teixiera (UFG/UFMT)
Larissa Vasconcelos (UFG)
