Quando o AlphaGo do Google DeepMind derrotou de forma chocante o lendário jogador de Go Lee Sedol em 2016, os termos inteligência artificial (IA), o aprendizado de máquina e o aprendizado profundo foram impulsionados para o mainstream tecnológico.

A IA é geralmente definida como a capacidade de um computador ou máquina exibir ou simular um comportamento inteligente, como o carro autônomo de Tesla e o assistente digital da Apple, Siri. É um campo próspero e foco de muitas pesquisas e investimentos. O aprendizado de máquina é a capacidade de um sistema de IA de 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 se preocupa com algoritmos inspirados na estrutura e função do cérebro, chamados de redes neurais artificiais. O aprendizado profundo tem recebido muita atenção ultimamente, tanto no mundo do consumidor quanto em toda a comunidade médica.

O interesse pelo aprendizado profundo aumentou com o sucesso da AlexNet, uma rede neural projetada por Alex Krizhevsky que venceu o 2012 ImageNet Large Scale Visual Recognition Challenge, uma competição anual de classificação de imagens.

Outro avanço relativamente recente é o uso de unidades de processamento gráfico (GPUs) para alimentar algoritmos de aprendizado profundo. GPUs se destacam em cálculos (multiplicações e adições) necessários para aplicativos de aprendizado profundo, reduzindo assim o tempo de processamento do aplicativo.

Em nosso laboratório da Universidade de Saskatchewan, estamos fazendo pesquisas interessantes de aprendizado profundo relacionadas a aplicações de saúde - e como professor de engenharia elétrica e de computação, Eu lidero a equipe de pesquisa. Quando se trata de saúde, usar IA 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 retinais anormais é útil para diagnosticar diabetes e doenças cardíacas. Para fornecer interpretações médicas confiáveis ​​e significativas, o vaso retiniano deve ser extraído de uma imagem retiniana para interpretações confiáveis ​​e significativas. Embora a segmentação manual seja possível, é um complexo, tarefa demorada e tediosa que requer habilidades profissionais avançadas.

Minha equipe de pesquisa desenvolveu um sistema que pode segmentar os vasos sangüíneos da retina simplesmente lendo uma imagem bruta da retina. É um sistema de diagnóstico auxiliado por computador que reduz o trabalho exigido por oftalmologistas e oftalmologistas, e processa imagens 10 vezes mais rápido, mantendo a alta precisão.

Detectando câncer de pulmão

A tomografia computadorizada (TC) é amplamente utilizada para o diagnóstico de câncer de pulmão. Contudo, porque as representações visuais de lesões benignas (não cancerosas) e malignas (cancerosas) em tomografias computadorizadas são semelhantes, uma tomografia computadorizada nem sempre pode fornecer um diagnóstico confiável. Isso é verdade mesmo para um radiologista torácico com muitos anos de experiência. O rápido crescimento da análise de tomografia computadorizada gerou uma necessidade urgente de ferramentas computacionais avançadas para auxiliar os radiologistas no progresso do rastreamento.

Para melhorar o desempenho diagnóstico dos radiologistas, propusemos uma solução de aprendizado profundo. Com base em nossas descobertas de pesquisa, nossa solução supera radiologistas experientes. Além disso, o uso de uma solução baseada em aprendizagem profunda melhora o desempenho geral do diagnóstico e os radiologistas com menos experiência se beneficiam mais do sistema.

Limitações e desafios

Embora uma grande promessa tenha sido mostrada com algoritmos de aprendizado profundo em uma variedade de tarefas em radiologia e medicina, esses sistemas estão longe de ser perfeitos. A obtenção de conjuntos de dados anotados de alta qualidade continuará sendo um desafio para o treinamento de aprendizado profundo. A maioria das pesquisas sobre 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 momento de testar o desempenho das técnicas de aprendizado profundo em comparação com os radiologistas humanos.

É preciso haver mais colaboração entre médicos e cientistas de aprendizado de máquina. 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 aprendizado profundo 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 aprendizado profundo.

No complexo mundo da saúde, As ferramentas de IA podem ajudar os profissionais humanos a fornecer um serviço mais rápido e diagnósticos mais precisos, e analisar dados para identificar tendências ou informações genéticas que podem predispor alguém a uma determinada doença. Quando economizar minutos pode significar salvar vidas, A IA e o aprendizado de máquina podem ser transformadores para profissionais de saúde e pacientes.

Este artigo foi republicado de The Conversation sob uma licença Creative Commons. Leia o artigo original.