A era do “diagnóstico por software

0
559

Reescrevendo a vida

A Aprendizagem Profunda é uma Caixa Negra, mas a Atenção Sanitária não se importará

Novos algoritmos são capazes de diagnosticar a doença tão precisamente quanto os médicos especialistas.

 

  • 27 de abril de 2017
 
 

Earlier este ano, o cientista de inteligência artificial Sebastian Thrun e colegas da Universidade de Stanford demonstraram que um algoritmo de “aprendizagem profunda ” era capaz de diagnosticar lesões cutâneas potencialmente cancerosas com precisão como um dermatologista certificado por placa.

A descoberta do câncer, relatada na Nature, fazia parte de uma série de relatórios deste ano, oferecendo um vislumbre precoce sobre o que poderia ser uma nova era de “diagnóstico por software”, na qual a inteligência artificial auxilia os médicos – ou mesmo a competir com eles.

Os especialistas dizem que as imagens médicas, como fotografias, raios-x e ressonâncias magnéticas, são uma combinação quase perfeita para os softwares de aprendizado profundo, que nos últimos anos levou a descobertas em reconhecer rostos e objetos em imagens.

As empresas já estão em busca. Em verdade, o braço das ciências da vida do Alfabeto, uniu forças com a Nikon em dezembro passado para desenvolver algoritmos para detectar causas de cegueira em diabéticos. O campo da radiologia, entretanto, foi apelidado de “Silicon Valley of Medicine” por causa do número de imagens detalhadas que ele gera.

Medicina de caixa preta

Embora as previsões da equipe de Thrun fossem altamente precisas, ninguém sabia exatamente quais as características de uma toupeira que o programa de aprendizado profundo costumava classificá-lo como canceroso ou benigno. O resultado é a versão médica do que foi denominado problema de “caixa preta” de aprendizagem profunda .

Você tentaria diagnosticar câncer com um aplicativo?

Nos diga o que você acha.

Ao contrário de um software de visão mais tradicional, onde um programador define regras – por exemplo, um sinal de parada tem oito lados – na aprendizagem profunda, o algoritmo encontra as regras em si, mas muitas vezes sem deixar uma pista de auditoria para explicar suas decisões.

“No caso do medicamento na caixa preta, os médicos não sabem o que está acontecendo porque ninguém o faz; É intrinsecamente opaco “, diz Nicholson Price, um estudioso jurídico da Universidade de Michigan que se concentra no direito da saúde.

No entanto, Price diz que pode não representar um obstáculo sério nos cuidados de saúde. Ele compara aprendizagem profunda com drogas cujos benefícios são obtidos por meios desconhecidos. O lítio é um exemplo. Seu mecanismo bioquímico exato em afetar o humor ainda não foi esclarecido, mas a droga ainda é aprovada para o tratamento do transtorno bipolar. O mecanismo por trás da aspirina, o medicamento mais usado de todos os tempos, não foi compreendido por 70 anos.

Da mesma forma, o Price diz que a questão da caixa negra não representará um problema com a Food and Drug Administration dos EUA, que, além de aprovar novos medicamentos, também regula o software se seu objetivo é tratar ou prevenir doenças.

Em uma declaração, a FDA diz que, nos últimos 20 anos, aprovou “uma série de aplicações de análise de imagem que dependem de uma variedade de reconhecimento de padrões, aprendizagem em máquina e técnicas de visão por computador”. A agência confirmou que está vendo mais software Por aprendizado profundo e observa que as empresas podem manter os detalhes de seus algoritmos confidenciais.

Assine as Leituras de fim de semana
Nosso guia para histórias nos arquivos que colocam a tecnologia em perspectiva.

Gerencie suas preferências de boletim

A FDA já deu luz verde a pelo menos um algoritmo de aprendizagem profunda. Em janeiro, o software de limpeza da FDA foi desenvolvido pela Arterys, uma empresa privada de imagens médicas com base em San Francisco. Seu algoritmo, “DeepVentricle”, analisa as imagens de MRI dos contornos interiores das câmaras do coração e calcula o volume de sangue que o coração do paciente pode segurar e bombear. Esse cálculo é concluído em menos de 30 segundos, diz Arterys, enquanto os métodos convencionais normalmente levam uma hora.

A FDA exigiu que a Arterys fizesse testes extensivos para garantir que os resultados de seu algoritmo fossem compatíveis com os gerados pelos médicos. “Você precisa provar estatisticamente que seu algoritmo está seguindo qualquer que seja o uso pretendido ou [o que as] reivindicações de marketing dizem que está fazendo”, diz John Axerio-Cilies, diretor de tecnologia da empresa.

Grande demanda

Para treinar seu software, a equipe liderada por Thrun, um ex-vice-presidente da Google que trabalhou em carros sem motorista lá, alimentou 129,405 imagens de condições de pele avaliadas por especialistas. Estes abrangiam 2.032 doenças diferentes e incluíam 1.942 imagens de câncer de pele confirmado.

Eventualmente, o software conseguiu superar 21 dermatologistas na identificação de quantas toupeiras eram potencialmente cancerígenas.

“Quando os dermatologistas vêem o potencial desta tecnologia, acho que a maioria o abraçará”, diz Robert Novoa, dermatologista de Stanford e autor do estudo. Ele e outros membros da equipe se recusaram a dizer se planejam comercializar o software.

Qualquer preocupação de que os médicos em breve esteja fora do emprego também está fora de lugar, diz Allan Halpern, um dermatologista Sloan Kettering e presidente da Sociedade Internacional de Imagem Digital da Pele. “Eu acho que a ameaça é o contrário”, diz ele. Algoritmos “poderiam impulsionar a demanda por serviços dermatológicos dramaticamente”.

Isso porque um positivo em um teste de seleção ainda requer uma biópsia. O software de aprendizagem profunda poderia encontrar um papel nos escritórios de atenção primária, diz Halpern, mas se fosse disponibilizado como um teste de triagem em toda a população, ou através de um aplicativo para consumidores, não haveria suficientes dermatologistas para acompanhar os leads .

A Axerio-Cilies diz que as empresas ficarão tentadas a oferecer ferramentas de aprendizado profundo diretamente aos consumidores. Por exemplo, as pessoas podem escanear seus próprios tops para ver se eles precisam visitar um médico. Alguns aplicativos de celular não-AI, como Mole Mapper , já permitem que as pessoas rastreiem os topos suspeitos e gravem as mudanças ao longo do tempo.

Halpern, no entanto, diz que não pensa que os consumidores estão prontos para lidar com sistemas de diagnóstico que possam dizer a eles que uma toupeira tem uma chance de 5%, ou uma chance de 50 por cento, de ser câncer.

“Não somos ótimos em usar probabilidades”, diz ele.

Participe das conversas sobre o futuro. Deixe a sua opinião

Esse site utiliza o Akismet para reduzir spam. Aprenda como seus dados de comentários são processados.