À medida que o aprendizado de máquina avança, suas aplicações incluem diagnósticos médicos mais rápidos e precisos. Shutterstock
Quando AlphaGo, do Google DeepMind, derrotou de forma chocante o lendário jogador do Go, Lee Sedol, em 2016, os termos inteligência artificial (IA), aprendizado de máquina e aprendizado profundo foram impulsionados para o mainstream tecnológico.
BBC Newsnight: AlphaGo e o futuro da Inteligência Artificial.
{youtube] 53YLZBSS0cc {/ youtube}
AI é geralmente definida como a capacidade de um computador ou máquina exibir ou simular um comportamento inteligente como Carro autônomo da Tesla e Assistente digital da Apple Siri. É um campo próspero e o foco de muita pesquisa e investimento. O aprendizado de máquina é a capacidade de um sistema de IA extrair informações de dados brutos e aprender a fazer previsões a partir de novos dados.
O aprendizado profundo combina inteligência artificial com aprendizado de máquina. Ele está preocupado com algoritmos inspirados na estrutura e função do cérebro, chamadas redes neurais artificiais. O aprendizado profundo recebeu muita atenção ultimamente tanto no mundo do consumo quanto em toda a comunidade médica.
O interesse pela aprendizagem profunda surgiu com o sucesso da AlexNet, uma rede neural projetada por Alex Krizhevsky que ganhou o prêmio Desafio de reconhecimento visual de grande escala 2012 ImageNet, um concurso anual de classificação de imagens.
Outro avanço relativamente recente é o uso de unidades de processamento gráfico (GPUs) para alimentar algoritmos de aprendizagem profunda. As GPUs são excelentes em cálculos (multiplicações e adições) necessárias para aplicativos de aprendizado profundos, diminuindo assim o tempo de processamento do aplicativo.
Em nosso laboratório da Universidade de Saskatchewan, estamos realizando interessantes pesquisas de aprendizado profundo relacionadas a aplicativos de saúde - e, como professor de engenharia elétrica e de computação, lidero a equipe de pesquisa. Quando se trata de cuidados de saúde, o uso de AI ou aprendizado de máquina para fazer diagnósticos é novo e tem havido um progresso empolgante e promissor.
Extração de vasos sanguíneos no olho
A detecção de vasos sanguíneos da retina anormais é útil para diagnosticar diabetes e doenças cardíacas. A fim de fornecer interpretações médicas confiáveis e significativas, o vaso retiniano deve ser extraído de uma imagem da retina para interpretações confiáveis e significativas. Embora a segmentação manual seja possível, é uma tarefa complexa, demorada e tediosa que requer habilidades profissionais avançadas.
Minha equipe de pesquisa desenvolveu um sistema que pode segmentar os vasos sanguíneos da retina simplesmente lendo uma imagem da retina em bruto. É um sistema de diagnóstico assistido por computador que reduz o trabalho requerido por especialistas em oftalmologia e oftalmologistase processa imagens 10 vezes mais rápido, mantendo alta precisão.
Detecção de câncer de pulmão
A tomografia computadorizada (TC) é amplamente utilizada para o diagnóstico de câncer de pulmão. No entanto, como as representações visuais de lesões benignas (não-cancerosas) e malignas (cancerosas) em tomografias computadorizadas são semelhantes, a tomografia computadorizada nem sempre pode fornecer um diagnóstico confiável. Isto é verdade mesmo para um radiologista torácico com muitos anos de experiência. O rápido crescimento de Análise de tomografia computadorizada gerou uma necessidade urgente de ferramentas computacionais avançadas para auxiliar os radiologistas no progresso da triagem.
Para melhorar o desempenho diagnóstico dos radiologistas, propusemos uma solução de aprendizagem profunda. Com base em nossas descobertas de pesquisas, nossa solução supera os radiologistas experientes. Além disso, o uso de uma solução profunda baseada em aprendizado melhora o desempenho geral do diagnóstico e os radiologistas com menos experiência se beneficiam mais do sistema.
Uma captura de tela do software de detecção de câncer de pulmão. Seokbum Ko, Autor fornecida
Limitações e desafios
Embora grandes promessas tenham sido demonstradas com algoritmos de aprendizado profundos em uma variedade de tarefas em radiologia e medicina, esses sistemas estão longe de serem perfeitos. A obtenção de conjuntos de dados anotados de alta qualidade continuará sendo um desafio para o treinamento em aprendizado profundo. A maioria das pesquisas de visão computacional é baseada em imagens naturais, mas para aplicações de saúde, precisamos de grandes conjuntos de dados de imagens médicas anotadas.
Outro desafio, do ponto de vista clínico, será o tempo para testar o desempenho das técnicas de aprendizagem profunda, em contraste com os radiologistas humanos.
É preciso haver mais colaboração entre médicos e cientistas que aprendem máquinas. O alto grau de complexidade da fisiologia humana também será um desafio para as técnicas de aprendizado de máquina.
Outro desafio são os requisitos para validar um sistema de aprendizagem profunda para implementação clínica, o que provavelmente exigiria colaboração multi-institucional e grandes conjuntos de dados. Finalmente, uma plataforma de hardware eficiente é necessária para garantir o processamento rápido de sistemas de aprendizagem profunda.
No complexo mundo da saúde, as ferramentas de IA podem ajudar os profissionais humanos a fornecer serviços mais rápidos e diagnósticos mais precisos e analisar dados para identificar tendências ou informações genéticas que possam predispor alguém a uma doença em particular. Salvar minutos pode significar salvar vidas, IA e aprendizado de máquina podem ser transformadores para profissionais de saúde e pacientes.
Sobre o autor
Seokbum Ko, Professor, University of Saskatchewan
Este artigo foi republicado a partir de A Conversação sob uma licença Creative Commons. Leia o artigo original.
Livros relacionados
at InnerSelf Market e Amazon
