Por Redação O Sul | 26 de maio de 2019
Os computadores são tão bons quanto, ou melhores, que os médicos humanos na detecção de minúsculos cânceres pulmonares em imagens de tomografia computadorizada, de acordo com um estudo conduzido pelo Google e diversas centrais médicas. A inteligência artificial tirou nota dez ao detectar câncer de pulmão, uma doença que causou 160 mil mortes nos Estados Unidos no ano passado, e 1,7 milhão de mortes em todo o mundo.
A tecnologia está em desenvolvimento, e ainda não está pronta para uso generalizado, mas o novo estudo, publicado no dia 20 pela revista Nature Medicine, oferece um vislumbre do futuro da inteligência artificial na medicina.
Uma das áreas mais promissoras é o reconhecimento de padrões e a interpretação de imagens —as mesmas capacitações que os seres humanos usam para interpretar lâminas de microscópios, raios-X, exames de ressonância magnética e outras imagens médicas.
Ao alimentar sistemas conhecidos como redes neurais artificiais com grandes volumes de imagens médicas, pesquisadores podem treinar computadores para que reconheçam padrões vinculados a uma condição específica, como pneumonia, câncer ou uma fratura no pulso que possa ser difícil de identificar para um observador humano. O sistema segue um algoritmo, ou conjunto de instruções, e aprende à medida que é utilizado. Quanto mais dados recebe, melhor se torna em suas interpretações.
O processo, conhecido como aprendizado profundo, já vem sendo usado para diversas aplicações, tais como permitir que computadores compreendam a fala e identifiquem objetos, ou para que um carro autoguiado reconheça uma placa de “pare” e diferencie entre um pedestre e um poste telefônico.
Na medicina, o Google já criou sistemas que ajudam patologistas a ler lâminas de microscópios para diagnosticar câncer, e que ajudam oftalmologistas a detectar doenças de visão em pessoas portadoras de diabetes.
“Temos alguns dos maiores computadores do mundo”, disse Daniel Tse, médico que gerencia o projeto no Google e é um dos autores do estudo. “Queríamos começar a estender os limites da ciência básica a fim de encontrar aplicações bacanas e interessantes para desenvolver.”
No novo estudo, os pesquisadores aplicaram a inteligência artificial a tomografias usadas para identificar câncer de pulmão. As tomografias computadorizadas são recomendadas para pessoas em risco elevado de câncer de pulmão devido a um histórico longo de tabagismo.
Estudos contataram que recorrer à tomografia pode reduzir o risco de morte causada por câncer de pulmão. Além de identificar cânceres claros, as imagens também podem identificar pontos que podem se tornar cânceres posteriormente, o que permite que os radiologistas dividam os pacientes em grupos de risco e determinem quais deles precisam de biópsias ou de acompanhamento mais frequente, com novas tomografias, a fim de manter sob observação as regiões suspeitas.
Mas o teste tem seus problemas: pode não identificar tumores, ou confundir manchas benignas com manchas malignas, e conduzir os pacientes a procedimentos invasivos e arriscados, como biópsias pulmonares ou cirurgias. E radiologistas diferentes podem chegar a interpretações diferentes ao contemplar a mesma imagem.
Os pesquisadores imaginaram que computadores talvez tivessem resultados melhores. Criaram uma rede neural, com múltiplas camadas de processamento, e a treinaram fornecendo muitas imagens de tomografia de pacientes cujos diagnósticos eram conhecidos. Alguns tinham cânceres de pulmão, alguns não, e alguns tinham nódulos que mais tarde provaram ser cancerosos.
Em seguida, os pesquisadores começaram a testar a capacidade de diagnóstico da rede.
“O processo de experimentação foi parecido com o de ensinar um estudante na escola”, disse Tse. “Usamos um conjunto de dados extenso para treinamento, e demos aulas ao sistema, aplicando provas rápidas para ajudá-lo a aprender por sua conta o que é câncer e o que pode ou não pode se tornar câncer no futuro. Por fim, aplicamos um exame final com o uso de dados que o sistema jamais tinha visto, depois de muito tempo de treinamento —e o resultado que vimos no exame final foi uma nota A”.
Testado diante de 6.716 casos com diagnósticos conhecidos, o sistema registrou 94% de precisão. Em comparação a seis radiologistas especializados, em casos onde não havia tomografia anterior disponível, o modelo de aprendizado profundo superou os médicos: seu número de falsos positivos e falsos negativos foi melhor. Quando havia uma imagem anterior de tomografia disponível, os resultados da máquina e dos médicos foram comparáveis.
A capacidade de processar vastos volumes de dados pode tornar a inteligência artificial capaz de reconhecer padrões sutis que os olhos humanos simplesmente não conseguem ver.
