A inteligência artificial (IA) possui um potencial real para melhorar a velocidade e a precisão dos diagnósticos médicos. Mas antes que os médicos possam aproveitar o poder da IA ​​para identificar condições em imagens, como raios-X, eles têm que 'ensinar' aos algoritmos o que procurar.

Identificar patologias raras em imagens médicas tem apresentado um desafio persistente para os pesquisadores, devido à escassez de imagens que podem ser usadas para treinar sistemas de IA em um ambiente de aprendizado supervisionado.

O professor Shahrokh Valaee e sua equipe desenvolveram uma nova abordagem:usar o aprendizado de máquina para criar raios-X gerados por computador para aumentar os conjuntos de treinamento de IA.

"Num sentido, estamos usando aprendizado de máquina para fazer aprendizado de máquina, "diz Valaee, um professor do Departamento de Engenharia Elétrica e de Computação (ECE) de Edward S. Rogers Sênior na Universidade de Toronto. "Estamos criando raios-X simulados que refletem certas condições raras para que possamos combiná-los com raios-X reais para ter um banco de dados suficientemente grande para treinar as redes neurais para identificar essas condições em outros raios-X."

Valaee é membro do Machine Intelligence in Medicine Lab (MIMLab), um grupo de médicos, cientistas e pesquisadores de engenharia que combinam seus conhecimentos em processamento de imagens, inteligência artificial e medicina para resolver desafios médicos. "A IA tem o potencial de ajudar de uma infinidade de maneiras no campo da medicina, "diz Valaee." Mas para fazer isso precisamos de muitos dados - as milhares de imagens rotuladas de que precisamos para fazer esses sistemas funcionarem simplesmente não existem para algumas condições raras. "

Para criar esses raios-X artificiais, a equipe usa uma técnica de IA chamada rede adversária gerativa convolucional profunda (DCGAN) para gerar e melhorar continuamente as imagens simuladas. Os GANs são um tipo de algoritmo formado por duas redes:uma que gera as imagens e outra que tenta discriminar imagens sintéticas de imagens reais. As duas redes são treinadas a ponto de o discriminador não conseguir diferenciar as imagens reais das sintetizadas. Uma vez que um número suficiente de raios-X artificiais são criados, eles são combinados com raios-X reais para treinar uma rede neural convolucional profunda, que então classifica as imagens como normais ou identifica uma série de condições.

"Conseguimos mostrar que dados artificiais gerados por GANs convolucionais profundos podem ser usados ​​para aumentar conjuntos de dados reais, "diz Valaee." Isso fornece uma maior quantidade de dados para treinamento e melhora o desempenho desses sistemas na identificação de condições raras. "

O MIMLab comparou a precisão de seu conjunto de dados aumentado com o conjunto de dados original quando alimentado por seu sistema de IA e descobriu que a precisão da classificação melhorou em 20 por cento para condições comuns. Para algumas condições raras, a precisão melhorou em cerca de 40 por cento - e como os raios X sintetizados não são de indivíduos reais, o conjunto de dados pode estar prontamente disponível para pesquisadores fora das instalações do hospital, sem violar as preocupações com a privacidade.

"É empolgante porque fomos capazes de superar um obstáculo na aplicação de inteligência artificial à medicina, mostrando que esses conjuntos de dados aumentados ajudam a melhorar a precisão da classificação, ", diz Valaee." O aprendizado profundo só funciona se o volume de dados de treinamento for grande o suficiente e esta é uma maneira de garantir que temos redes neurais que podem classificar imagens com alta precisão. "