O uso da inteligência artificial na realização de diagnósticos está chegando. E ainda mais perto do que parece. De fato, imediatamente duas equipes de pesquisa de ambos os lados do Atlântico conseguiram resolver o problema da "caixa preta" da IA na medicina.
O problema da "caixa preta" é que o sistema de IA ao fornecer resultados e, na medicina, é diagnóstico e recomendações para terapia adicional, não fornece as justificativas que, em particular, exigem a Food and Drug Administration (FDA) nos EUA. .
Em dezembro do ano passado, o Hospital Geral de Massachusetts (Massachusetts General Hospital) informou que era capaz de ensinar a IA a "explicar" o diagnóstico de sangramento intracraniano. Cinco meses antes, a empresa britânica DeepMind, adquirida pelo Google em 2014, anunciou um avanço semelhante no diagnóstico de doenças oculares.
A principal tarefa de ambas as equipes era ensinar o sistema a avaliar as imagens dos scanners e tomar decisões como um médico especialista.
Atlas de sinais
Médicos do Departamento de Radiologia do Hospital de Massachusetts, juntamente com estudantes de pós-graduação da Harvard Engineering and Applied Sciences, desenvolveram um modelo de IA que pode classificar a hemorragia intracraniana, de acordo com um comunicado de imprensa no site do hospital. Para treinar o sistema, a equipe usou 904 tomografias computadorizadas (tomografia computadorizada), cada uma contendo cerca de 40 imagens individuais. Uma equipe de cinco neurorradiologistas marcou cada uma das imagens quanto à presença de um dos cinco subtipos de hemorragia, com base na localização, bem como a ausência de hemorragia per se. Para melhorar a precisão desse sistema de aprendizado profundo, a equipe integrou ações que imitam o processo de análise de imagens por um radiologista, que inclui parâmetros de ajuste como contraste e brilho para revelar diferenças ocultas e rolagem de seções adjacentes da tomografia computadorizada para determinar se algo realmente apareceu em uma imagem, reflete um problema real ou não está falando de nada de distorção.
Imediatamente após a criação do modelo do sistema, os pesquisadores o testaram com dois conjuntos separados de tomografias computadorizadas: 100 varreduras com hemorragia intracraniana e 100 sem ela, realizadas antes do desenvolvimento do sistema, e 79 varreduras com hemorragia e 117 sem ele, realizadas após a criação do modelo. No caso do primeiro conjunto de dados coletado anteriormente, o modelo foi preciso na determinação e classificação do sangramento intracraniano no nível da análise feita pelo radiologista. Ao analisar o segundo conjunto, ela provou que pode ser ainda melhor do que uma pessoa que não é especialista neste campo.
Para resolver o problema da "caixa preta", a equipe fez o sistema verificar e salvar essas imagens do conjunto de dados de treinamento que mais claramente representa os sintomas característicos de cada um dos cinco subtipos de hemorragia. Usando esse atlas de características distintivas, o sistema pode representar um grupo de imagens semelhantes às usadas na análise de tomografias computadorizadas, a fim de explicar em que bases as decisões foram tomadas.
Esta ilustração mostra a capacidade do sistema de explicar o diagnóstico de hemorragias subaracnóideas (canto superior esquerdo) e intraventricular (canto inferior esquerdo), mostrando imagens com sintomas semelhantes (direito) do atlas de imagens usadas para treinar o sistema.
"O reconhecimento rápido da hemorragia intracraniana, seguido pelo tratamento imediato apropriado de pacientes com sintomas de acidente vascular cerebral agudo, pode minimizar os efeitos graves à saúde e prevenir a morte", disse o co-autor do estudo, radiologista Michael Leo. - Em muitos laboratórios, não há neurorradiologistas especialmente treinados, principalmente à noite ou nos finais de semana, o que exige que não especialistas decidam se os sintomas do paciente são causados por hemorragia ou não. A disponibilidade de uma "segunda opinião virtual" confiável, treinada por neurorradiologistas, pode melhorar os resultados de não especialistas e ajudar a garantir que os pacientes recebam o tratamento correto ".
Mapa de segmentação de tecidos
Em agosto de 2018, a empresa britânica DeepMind publicou um estudo sobre o recurso Nature Medicine, no qual afirmou que havia resolvido o problema da "caixa preta", desenvolvendo um modelo de IA que poderia operar em nível médico profissional, o que, no entanto, não exclui as pessoas do processo de tratamento, mas, pelo contrário, ajuda os médicos a serem mais eficazes, como no caso descrito acima.
De acordo com um estudo publicado , a equipe do DeepMind trabalhou no campo de doenças oftálmicas em conjunto com o centro de combate às doenças oftálmicas do Hospital de Olhos de Moorfields e desenvolveu um modelo para o diagnóstico de imagens 3D da tomografia óptica coerente (OCT). Foi possível abrir a “caixa preta” criando duas redes neurais separadas trabalhando juntas. A primeira, segmentada usando a arquitetura convolucional tridimensional (U-Net), transforma as digitalizações brutas da OCT em um mapa de segmentação do tecido ocular. Para o treinamento, 877 exames clínicos da OCT foram utilizados, cada um com 128 seções, apenas três representativos foram segmentados manualmente. A rede de segmentação encontra vários sintomas (hemorragias, lesões focais, etc.) e cria um mapa. De acordo com Mustafa Suleiman, chefe da IA aplicada, no blog da empresa, isso ajuda os optometristas a terem acesso a como o sistema "pensa".
A segunda rede neural, que classifica, analisa o mapa proposto e fornece diagnósticos e recomendações de tratamento para a equipe de tratamento. Os desenvolvedores consideram fundamentalmente importante que a rede mostre recomendações como porcentagens, permitindo que os médicos avaliem a "confiança" do sistema em sua análise. "Esse recurso é crítico, pois os optometristas desempenham um papel fundamental na decisão sobre o tratamento que os pacientes receberão", diz Mustafa Suleiman. Segundo ele, a característica principal do sistema, que o torna útil na prática, é a oportunidade para os médicos estudarem cuidadosamente as recomendações da IA. O sistema foi projetado para ajudar a prevenir a perda completa da visão, acelerando o diagnóstico de doenças como retinopatia diabética, degeneração macular relacionada à idade e várias dezenas de outras doenças.
Descrição da ilustração. Obtenção de cálculos usando um complexo de redes de segmentação e classificação. A ilustração mostra como um complexo de 5 amostras de uma rede segmentada e 5 amostras de uma rede de classificação são usados juntos para criar 25 previsões para uma varredura. Cada amostra de rede segmentada fornece inicialmente um mapa segmentado de suposições com base na OCT que está sendo investigada. Para cada uma das cinco suposições, os padrões da rede de classificação fornecem probabilidade para cada marcador. Aqui, o marcador da localização da atrofia é apresentado em detalhes.
Ambas as equipes de pesquisa expressam a esperança de que os sistemas desenvolvidos por eles não substituam os médicos, mas os ajudem a serem mais eficazes na tomada de decisões, o que significa que ajudarão a ajudar mais pacientes em um curto espaço de tempo. O próximo passo é usar os desenvolvimentos diretamente nos scanners hospitalares.