BLOG

Por que eu também deveria estar falando sobre Machine Learning?

Inteligência artificial e machine learning parecem e até já foram considerados ficção científica, assim como outras coisas que usamos hoje em dia, como aviões e submarinos. Entretanto, essas tecnologias tornaram-se realidade, e nós, radiologistas devemos estar atentos para entender e se adaptar para não ficarmos obsoletos.


O que é inteligência artificial e como uma máquina pode pensar?

Inteligência artificial é um conceito geral que descreve máquinas que possuem inteligência igual ou até mesmo superior à humana. De modo global, podemos dividí-la em dois tipos: a Inteligência Artificial Geral, que define uma inteligência capaz de fazer todas as tarefas que nossa mente faz (p.ex as máquinas descritas por Asimov em Eu, Robô) e a Inteligência Artificial Estreita, que seria uma inteligência especializada em uma ou poucas tarefas correlacionadas entre si.

Apesar de existirem empresas tentando desenvolver a primeira, a maior parte está obtendo sucesso ao desenvolver a Inteligência artificial estreita através de diversos métodos chamados, globalmente, de machine learning, e dentre seus subtipos, um dos mais relevantes hoje chama-se deep learning.

Com esses métodos, uma máquina pode aprender a desempenhar uma tarefa sem ser especificamente programada para tal, o que torna tarefas antes quase impossíveis mais fáceis.

Sem entrar na parte técnica, de modo relevante para nós, podemos dividir os tipos de Machine Learning em dois: aprendizado supervisionado e não supervisionado.

Como a máquina aprende?

No aprendizado supervisionado, são fornecidos dados identificados ao programa (p.ex: mamografias identificadas como normais e mamografias identificadas como contendo microcalcificações). Com estes, a própria máquina desenvolve um algoritmo para aprender a diferenciar as duas características.

Simplificando, o programa aprende através de coisas que já são sabidas por um “professor”, assim como nós.

No aprendizado não supervisionado, os mesmos dados/exames podem ser fornecidos, mas sem nenhuma identificação. A máquina, então, tenta agrupar as imagens por padrões que ela mesmo identifica. Alguns destes padrões podem ser irrelevantes (p.ex: agrupar pelo tamanho das mamas), entretanto outros têm o potencial de nos ensinar novos achados que ainda não conhecíamos ou utilizávamos na prática.

Por que se fala nisso só agora?

Para um bom sistema de machine learning, é necessário grande quantidade de dados e de poder de processamento, coisas cada vez mais disponíveis hoje. Além disso, estima-se que a maior parte dos “dados médicos digitalizados” existentes sejam imagens.

Com o uso deste método, começaram a ser criados algoritmos com capacidade crescente de reconhecimento de padrões, inclusive em imagens, o que a torna uma candidata ideal para uso em radiologia e outras áreas onde isso é feito, como patologia e dermatologia.

A maior parte das aplicações que vemos hoje no campo de identificação de imagens estão ainda em testes e são bem específicas, buscando interpretar uma ou algumas características em exames determinados. Algumas destas estão listadas abaixo:

Entretanto, algumas empresas como a Zebra já oferecem soluções comerciais para detecção de densidade óssea, fraturas vertebrais, esteatose hepática, enfisema pulmonar, score de cálcio coronariano, aneurisma de aorta e sangramentos cerebrais.

Existem, ainda, empresas que buscam algo mais perto de uma inteligência artificial geral, como o Watson da IBM.

E agora? Seremos substituídos?

Ninguém pode prever o futuro, e nem mesmo os maiores especialistas no assunto concordam 100% no que vai ocorrer, portanto tudo é especulação.

As maiores empresas na área deixam claro que não pretendem substituir o papel do radiologista (pelo menos não por enquanto) e de modo geral os especialistas não acreditam que vai haver uma substituição total a curto prazo, principalmente por questões de fragmentação entre sistemas e jurídicas (de quem é o erro quando o algoritmo falha?).

Entretanto, alguns mais pessimistas pensam que talvez em um prazo um pouco mais longo, caso os algoritmos se tornem melhores que humanos na detecção de doenças, a pressão popular pode fazer que as barreiras legais sejam afrouxadas.

Como considerações finais, resumo e traduzo parte do que foi escrito pelo Dr. R. Nick Bryan para o RSNA, aqui:

“A demanda por serviços de imagem continua a crescer, enquanto a remuneração vem caindo, de modo que, para atender a demanda, estamos operando perto da nossa capacidade biológica máxima, de modo que avanços em termos de eficiência vão requerer novas tecnologias, como algoritmos de machine learning.

Estes algoritmos, se integrados adequadamente no fluxo de trabalho e com supervisão humana adequada, vão permitir ao radiologista trabalhar com maior eficiência e produzir relatórios de melhor qualidade.”

 


Autor
DR. CÉSAR CAMPAGNOLO CAVION
Médico radiologista especialista em corpo, autodidata em linguagens de programação e entusiasta de novas tecnologias, especialmente no campo da saúde.

 

 

 

 

NENHUM COMENTÁRIO

ENVIAR UM COMENTÁRIO