Saiba como o Deep Learning revoluciona a medicina diagnóstica
Qualquer doença em nossos órgãos pode ser
visualizada usando diferentes modalidades de sinais e imagens,
como EEG, ECG, PCG, raio-X, ressonância magnética,
tomografia computadorizada, tomografia computadorizada de
emissão de fóton único, tomografia de
emissão de pósitron, fundo de olho e imagens de
ultrassom etc., provenientes de várias partes do corpo
para obter informações úteis. Os hospitais
recebem um grande influxo de grandes dados multimodais de
pacientes para serem analisados com precisão e com
compreensão do contexto.
Muitos algoritmos de Machine Learning foram
desenvolvidos para detectar automaticamente os recursos que
caracterizam as doenças representadas em imagens
médicas. Extrair os recursos adequados das imagens
médicas usando métodos avançados de
processamento de imagem ou sinal limita a quantidade de
informações disponíveis para o algoritmo
de Machine Learning. Além disso, a
seleção de recursos muitas vezes é subjetiva
e não está claro se dois ou mais recursos relatam as
mesmas informações.
Para superar esses problemas, as abordagens
de Deep Learning aprendem implicitamente esses recursos
a partir dos dados de treinamento e os usam para dar suporte ao
diagnóstico e ao prognóstico a partir de imagens
médicas.
Tecnologia e humanos
Em 2016, Geoffrey Hinton, um cientista da
computação conhecido como o “Padrinho
do Deep Learning”, previu que radiologistas
– especialistas que diagnosticam doenças por imagens
médicas como raios-X, tomografia computadorizada e
ressonância magnética – em breve perderiam seus
empregos. “As pessoas deveriam parar de treinar
radiologistas agora”, anunciou ele, “é
óbvio que dentro de cinco anos o aprendizado profundo
terá um desempenho melhor do que os
humanos”.7587421\
Se por um lado ele estava certo em relação ao
poder da tecnologia, não poderia estar mais errado em
relação à substituição dos
especialistas. “O que você vê é
o Deep Learning é usado para apoiar os
médicos ou fazer uma pré-seleção e
priorizar casos se houver muitos pacientes na fila”,
descreve a situação real Erwin Bretscher, um
consultor de saúde da Conclusion, que entre outras
coisas, assessora empresas em Inteligência Artificial.
As diversas tecnologias
A Inteligência Artificial atraiu um interesse considerável em vários
campos, pois seu uso permite automatizar tarefas que atualmente
requerem intervenção humana. Machine Learning (ML) e Deep Learning
(DL) são tipos de IA. O ML permite que os sistemas aprendam com os
dados no nível mais básico. DL é um tipo de ML que usa estruturas
mais complexas para construir modelos. A IA pega princípios gerais
sobre a medicina e os aplica aos pacientes, para que haja uma chance
de salvar a vida de alguém com sua ajuda. O Deep Learning é
considerado o método de aprendizado de máquina mais promissor e
amplamente utilizado para radiologia, principalmente na detecção de
doenças em geral. Não é surpreendente, uma vez que a imagem
diagnóstica domina o diagnóstico clínico e o reconhecimento de
imagem é naturalmente adequado para algoritmos de DL, apoiando os
médicos e complementando o processo de diagnóstico. O Deep Learning
envolve o uso de redes neurais profundas – modelos algorítmicos
projetados para transmitir dados ao longo de redes de nós de uma
forma que imita a função do cérebro humano. Essas redes são capazes
de se adaptar com base nos dados que estão processando, à medida que
eles passam pela rede de nó em nó, a fim de processar com mais
eficiência o próximo bit de dados. Por causa disso, eles podem ser
considerados como “aprendizes” e capazes de aprenderem a si próprios
novas maneiras de detectar sinais de perigo. Um dos problemas com as
metodologias tradicionais de ML, como regressão logística que
permite, por exemplo determinar os fatores que caracterizam um grupo
de indivíduos doentes em relação a indivíduos sãos, ou métodos de
máquina de vetor de suporte (SVM – conceito na ciência da computação
para um conjunto de métodos de aprendizado supervisionado que
analisam os dados e reconhecem padrões, usado para classificação e
análise de regressão), é a necessidade de recrutar pessoas para
projetar recursos. As abordagens de Deep Learning resolvem esse
problema adotando uma arquitetura de aprendizagem ponta a ponta,
usando dados brutos do paciente, que são pré-processados, como
entrada e correlacionando-os com resultados em várias camadas de
unidades de processamento não lineares. De longe, os modelos mais
comuns de DL são várias variantes de redes neurais artificiais, mas
existem outras. A principal característica comum dos métodos de DL é
seu foco no aprendizado de recursos: aprender automaticamente as
representações dos dados. Essa é a principal diferença entre as
abordagens de Deep Learning e o Machine Learning mais “clássico”.