Estudos recentes têm mostrado a capacidade dos sistemas de inteligência artificial em diagnosticar clinicamente doenças importantes
Sistemas de inteligência artificial (IA) have been around for quite some time and are now getting smarter and better with time. AI has applications is multitude areas and is now an integral of most fields. AI can be an essential and useful component of médico ciência e pesquisa, pois tem imenso potencial para impactar o setor de saúde.
Inteligência Artificial no diagnóstico médico?
O tempo é o recurso mais valioso na área da saúde e o diagnóstico precoce e adequado é muito importante para o resultado final de uma doença. Os cuidados de saúde são muitas vezes um processo moroso e que consome tempo e recursos, atrasando o diagnóstico eficaz e, por sua vez, atrasando o tratamento correto. AI can help to fill the gap between availability and time management by doctors by incorporating speed and accuracy in the diagnosis of patients. It could help to overcome limitations of resources and healthcare professionals specially in low- and middle-income countries. AI is a process of learning and thinking just like seres humanos through a concept called deep-learning. Deep learning utilizes broad sets of sample data to create decision trees by itself. With this deep learning, an AI system can actually think just like humans, if not better, and therefore AI could be deemed fit to carry out medical tasks. When diagnosing patients, AI systems keep looking for patterns among patients with same illnesses. Over time, these patterns can construct a foundation for predicting diseases before they are manifested.
Em um estudo recente1 publicado em Célula, os pesquisadores usaram artificial técnicas de inteligência e aprendizado de máquina para desenvolver uma nova ferramenta computacional para selecionar pacientes com doenças retinais comuns, mas que podem causar cegueira, acelerando o diagnóstico e o tratamento. Os pesquisadores usaram uma rede neural baseada em IA para revisar mais de 200,000 varreduras oculares realizadas com uma tecnologia não invasiva que reflete a luz na retina para criar representações 2D e 3D do tecido. Eles então empregaram uma técnica chamada "aprendizagem por transferência", na qual o conhecimento obtido na solução de um problema é armazenado por um computador e aplicado a problemas diferentes, mas relacionados. Por exemplo, uma rede neural AI otimizada para reconhecer as estruturas anatômicas discretas do olho, como a retina, córnea ou nervo óptico, pode identificá-las e avaliá-las com mais rapidez e eficiência ao examinar imagens de um olho inteiro. Este processo permite que o sistema de IA aprenda gradualmente com um conjunto de dados muito menor do que os métodos tradicionais, que exigem grandes conjuntos de dados, tornando-os caros e demorados.
The study focused on two common causes of irreversible blindness which are treatable when detected early. Machine-derived diagnoses were compared with diagnoses from five ophthalmologists who reviewed the same scans. In addition to making a medical diagnosis, the AI platform also generated a referral and treatment recommendation which has not been done in any previous study. This trained AI system acted just like a well-trained ophthalmologist and could generate a decision within 30 seconds on whether or not the patient should be referred for treatment, with more than 95 percent accuracy. They also tested the AI tool in diagnosing childhood pneumonia, a leading cause of death worldwide in children (under the age of 5) based on machine analyses of chest X-rays. Interestingly, the computer program was able to differentiate between viral and bacteriana pneumonia with more than 90 percent accuracy. This is crucial because though viral pneumonia is naturally rid by the body after its course, bacterial pneumonia on the other hand tends to be a more serious health threat and requires immediate treatment with antibiotics.
Em outro grande salto2 Em sistemas de inteligência artificial para diagnóstico médico, os cientistas descobriram que as fotos tiradas da retina de um indivíduo podem ser analisadas por algoritmos de aprendizado de máquina ou software para prever o risco cardiovascular através da identificação de sinais indicativos de doença cardíaca. O status dos vasos sanguíneos do olho que é capturado nas fotografias foi mostrado para prever com precisão idade, sexo, etnia, pressão arterial, qualquer ataque cardíaco anterior e hábitos de fumar e todos esses fatores coletivamente predizem doenças relacionadas ao coração em um indivíduo.
O olho como bloco de informação
A ideia de olhar as fotografias do olho para fazer um diagnóstico de saúde já existe há algum tempo. Está bem estabelecido que a parede interna posterior dos olhos humanos possui muitos vasos sanguíneos que refletem a saúde geral do corpo. Ao estudar e analisar a aparência desses vasos sanguíneos com uma câmera e um microscópio, muitas informações sobre a pressão sanguínea de um indivíduo, idade, fumante ou não fumante etc. podem ser previstas e todos esses são indicadores importantes da saúde do coração de um indivíduo . As doenças cardiovasculares (DCV) são a causa número um de morte em todo o mundo e mais pessoas morrem de DCVs em comparação com qualquer outra doença ou condição. Isso é mais prevalente em países de baixa e média renda e é um grande fardo para a economia e a humanidade. O risco cardiovascular depende de uma série de fatores como genes, idade, etnia, sexo, em combinação com exercícios e dieta alimentar. A maioria das doenças cardiovasculares pode ser evitada abordando os riscos comportamentais, como uso de tabaco, obesidade, sedentarismo e dieta pouco saudável, fazendo mudanças significativas no estilo de vida para lidar com os possíveis riscos.
Diagnóstico de saúde usando imagens da retina
Este estudo conduzido por pesquisadores do Google e sua própria empresa de tecnologia de saúde, Verily Life Sciences, mostrou que um algoritmo de inteligência artificial foi usado em um grande conjunto de dados de fotografias da retina de cerca de 280,000 pacientes e este algoritmo foi capaz de prever com sucesso fatores de risco cardíaco em dois completamente conjuntos de dados independentes de cerca de 12000 e 1000 pacientes com uma precisão razoavelmente boa. O algoritmo utilizou fotografia inteira da retina para quantificar a associação entre a imagem e o risco de ataque cardíaco. Este algoritmo pode prever um evento cardiovascular 70 por cento do tempo em um paciente e, de fato, um fumante e um não fumante também foram distinguidos neste teste 71 por cento das vezes. O algoritmo também pode prever a pressão alta, indicando uma condição cardíaca, e prever a pressão arterial sistólica - a pressão nos vasos quando o coração bate - dentro de uma faixa da maioria dos pacientes com ou sem pressão alta. A precisão dessa previsão, segundo os autores, é muito semelhante a uma verificação cardiovascular em laboratório, onde o sangue é retirado do paciente para medir os níveis de colesterol em paralelo com a história do paciente. O algoritmo neste estudo, publicado em Engenharia Biomédica da Natureza, com maior probabilidade também poderia prever a ocorrência de um evento cardiovascular importante - por exemplo, um ataque cardíaco.
Um aspecto extremamente interessante e crucial desses estudos é que o computador pode dizer para onde está olhando em uma imagem para chegar a um diagnóstico, o que nos permite entender o processo de previsão. Por exemplo, o estudo do Google mostrou exatamente “quais partes da retina” contribuíram para o algoritmo de previsão, ou seja, como o algoritmo estava fazendo a previsão. Esse entendimento é importante não apenas para entender o método de aprendizado de máquina neste caso específico, mas também para gerar confiança e fé em toda a metodologia, tornando-a transparente.
Desafios
Essas imagens médicas apresentam seus desafios porque observar e, em seguida, quantificar associações com base em tais imagens não é simples, principalmente por causa de vários recursos, cores, valores, formas, etc. nessas imagens. Este estudo usa o aprendizado profundo para extrair as conexões, associações e relações entre as mudanças na anatomia humana (morfologia interna do corpo) e a doença, da mesma forma que um profissional de saúde faria quando está correlacionando os sintomas de pacientes com uma doença . Esses algoritmos requerem mais testes antes de serem usados em um ambiente clínico.
Apesar das discussões e desafios, a IA tem um enorme potencial para revolucionar o diagnóstico e o gerenciamento de doenças, fazendo análises e classificações que envolvem imensas quantidades de dados que são difíceis para os especialistas em humanos. Ele fornece ferramentas de diagnóstico alternativas baseadas em imagens rápidas, econômicas e não invasivas. Os fatores importantes para o sucesso dos sistemas de IA seriam maior poder computacional e mais experiência das pessoas. Em um futuro provável, novos insights médicos e diagnósticos podem ser alcançados com IA sem direção ou supervisão humana.
***
{Você pode ler o artigo de pesquisa original clicando no link DOI fornecido abaixo na lista de fontes citadas}
Fontes)
1. Kermany DS et al. 2018. Identificação de diagnósticos médicos e doenças tratáveis por aprendizado profundo baseado em imagens. Célula. 172 (5). https://doi.org/10.1016/j.cell.2018.02.010
2. Poplin R et al. 2018. Predição de fatores de risco cardiovascular a partir de fotografias do fundo da retina por meio de aprendizado profundo. Nature Biomedical Engineering. 2 https://doi.org/10.1038/s41551-018-0195-0
