As máquinas podem ser treinadas para classificar imagens e, assim, identificar tumores em tomografias, composições minerais em rochas, ou patologias em análises de microscopia óptica. Essa técnica de inteligência artificial é conhecida como aprendizado de máquina e ganhou novas aplicações nos últimos anos.

O treinamento da máquina é realizado através da repetição de imagens utilizadas como exemplos de um determinado contexto ou situação e a preparação adequada desse material requer o esforço de especialistas de diversas áreas.

"O humano coordena [o treinamento] - sem um especialista controlando o processo de treinamento, a máquina aprenderia a tomar decisões com base nas características da imagem que não estão relacionadas ao problema-alvo. Isso gera um resultado ruim ou restrito ao banco de dados em que a máquina foi treinada. Quando o banco de dados muda, os erros aumentam consideravelmente, tornando a análise da máquina não confiável, "disse Alexandre Xavier Falcão, do Instituto de Computação da Universidade Estadual de Campinas (UNICAMP), em palestra proferida na FAPESP Week France.

Falcão vem combinando a ciência da computação com outras áreas do conhecimento baseadas em projetos de aprendizado de máquina em uma linha de pesquisa que investiga a interação homem-máquina na tomada de decisões.

Automação de detecção de parasitas

Um dos projetos liderados por Falcão e apresentados na FAPESP Week France visa automatizar a detecção de parasitas em análises de fezes. A pesquisa foi realizada por meio de parceria entre a Immunocamp (empresa campineira especializada em produtos hospitalares) e pesquisadores dos Institutos de Computação e Química da UNICAMP, bem como a Faculdade de Ciências Médicas da mesma universidade.

A equipe interdisciplinar desenvolveu uma máquina capaz de identificar as 15 espécies de parasitas mais prevalentes que infectam humanos no Brasil.

A técnica de aprendizado de máquina mostrou mais de 90 por cento de eficiência, que é muito superior às análises convencionais realizadas por humanos através da análise visual de lâminas de microscopia óptica, cujas taxas variam de 48% a 76% no máximo. A máquina também é capaz de processar 2, 000 imagens em quatro minutos.

“A ideia não é substituir o trabalho dos humanos, até porque precisam treinar as máquinas para identificar mais espécies de parasitas e confirmar o diagnóstico de patógenos detectados pela máquina, mas sim para evitar a fadiga humana e aumentar a precisão dos resultados, " ele disse.

Uma das novidades criadas pela equipe da UNICAMP foi um sistema de separação de parasitas e impurezas baseado no princípio da flotação por ar dissolvido, que permite a geração de lâminas de microscopia óptica com menos impurezas.

Na parte de ciência de dados, a máquina é capaz de fazer um escaneamento automatizado da lâmina e detectar os parasitas que aparecem nas imagens na tela do computador. Isso foi possível por meio de técnicas computacionais que separam os componentes da imagem para verificar e decidir se estão relacionados a impurezas ou a uma das 15 espécies parasitas.

"A interação homem-máquina tem o potencial de reduzir o esforço humano e aumentar a confiança na decisão algorítmica. Nossa abordagem mostrou que incluir o especialista no ciclo de treinamento gera sistemas confiáveis ​​de tomada de decisão com base na análise de imagens."

Sistemas confiáveis ​​de tomada de decisão

O objetivo da metodologia é minimizar o esforço do especialista em termos de observação de imagens em grande escala, buscando a construção de sistemas de tomada de decisão de alta precisão.

"A abordagem clássica, que usa exemplos pré-gravados e nenhuma interação humana durante o treinamento, deixa várias questões sem resposta. São questões essenciais, como quantos exemplos são necessários para as máquinas aprenderem ou como explicar as decisões tomadas pela máquina. Nossa metodologia consiste em incluir o especialista no ciclo de aprendizado de máquina para que perguntas como essas sejam respondidas, " ele disse.

Portanto, a estratégia da equipe de Falcão para a construção de sistemas confiáveis ​​de tomada de decisão tem sido a exploração de habilidades complementares. “Os seres humanos são superiores na abstração do conhecimento. As máquinas não se cansam e são melhores no processamento de grandes quantidades de dados. o esforço do especialista é minimizado pelo controle do ciclo de aprendizagem e as decisões das máquinas tornam-se explicáveis, " ele disse.