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”.