Pesquisadores da Universidade de Sanford
desenvolveram um algoritmo de auto-aprendizado que pode diagnosticar imagens médicas (raio-x do tórax). Essa plataforma de software é especializada apenas em pneumonia, mas executa sua tarefa melhor que os
radiologistas profissionais.
A pneumonia é diferente e a rede neural é distinguida por 14 de suas variedades por raio-x. Os cientistas publicaram os resultados de seu trabalho em domínio público
no arXiv . "A análise de imagens médicas é uma tarefa difícil, e sabemos disso", diz um dos desenvolvedores da plataforma de software. "Decidimos desenvolver algoritmos de autoaprendizagem realizando um" treinamento "baseado em centenas de milhares de imagens médicas".
Este trabalho utiliza um conjunto de dados fornecido pelo NIH Clinical Center. Trata-se de um enorme banco de dados, que inclui mais de 112 mil imagens frontais do tórax humano obtidas por fluoroscopia. Nestas imagens, 14 patologias diferentes podem ser distinguidas. Essas informações tornaram possível “treinar” a plataforma de software para o diagnóstico dessas patologias.
Depois que o treinamento foi concluído, os cientistas decidiram verificar o quão bem o sistema faz um diagnóstico. Depois que a máquina fez seu diagnóstico, os pesquisadores pediram aos médicos que fizessem o mesmo. Os médicos analisaram 420 imagens e fizeram seus próprios diagnósticos para cada uma delas. Como se viu, o sistema de computador foi capaz de diagnosticar pneumonia com mais precisão do que os humanos.
A pneumonia é uma doença perigosa e comum. Somente nos Estados Unidos, com pneumonia, cerca de 1 milhão de pessoas vão para hospitais a cada ano. Algumas patologias são extremamente difíceis de detectar nos raios-x - sinais implícitos em algumas variedades desta doença. Ao mesmo tempo, o aprendizado de máquina pode ajudar os médicos a lidar com esse problema.
O principal perigo para o paciente aqui é que, se o médico não diagnosticar corretamente, isso pode levar à nomeação de tratamento inadequado. Como resultado, o paciente será tratado, mas sua condição piorará. A situação é agravada pelo fato de os médicos terem que analisar centenas de imagens desse tipo por dia, como resultado das quais a atenção é enfraquecida. E a máquina, sujeita a seu treinamento de qualidade, pode funcionar 24 horas por dia, praticamente sem cometer erros. Além disso, um sistema de computador pode destacar os menores detalhes da foto, importantes para o diagnóstico correto, mas invisíveis para os seres humanos.
Os desenvolvedores “ensinaram” seu sistema a criar algo como um mapa de calor do corpo humano ao analisar imagens. Somente em vez de mostrar a temperatura, partes dos pulmões são marcadas em cores diferentes, onde a máquina “vê” sinais de pneumonia. Após o processamento, uma pessoa já está examinando as fotos, prestando atenção, antes de tudo, nas áreas que a máquina marcou como as “mais quentes”.
Os pesquisadores acreditam que esses sistemas em breve se tornarão geralmente aceitos e difundidos. “Vamos continuar a criar e aprimorar algoritmos médicos que ajudam a detectar anormalidades. Também esperamos que, em breve, possamos disponibilizar publicamente conjuntos despersonalizados de dados médicos que possam ser usados por outros especialistas trabalhando em problemas semelhantes ou outros ”, disse Jeremy Irwin, representante do grupo de pesquisa.
Os raios X na medicina são a fonte mais importante de informações de saúde do paciente. Muitos médicos estão simplesmente sobrecarregados com essas imagens. Após várias horas de trabalho com eles, a capacidade do médico de se concentrar diminui, a atenção diminui e, portanto, a probabilidade de erro é alta. A automação do processo pode ajudar a resolver o problema, o que reduziria o número de erros médicos.
O trabalho realizado pelos cientistas não é único. Agora, muitas startups e
grandes corporações como IBM e Google estão envolvidas em desenvolvimentos semelhantes. Além da pneumonia, os sistemas de computador já são capazes de detectar sinais de tumores,
problemas do sistema cardiovascular e outras anormalidades na radiografia e em outras imagens médicas.