DEFINIÇÃO DE INTELIGÊNCIA ARTIFICIAL, APRENDIZAGEM PROFUNDA E APRENDIZAGEM AUTOMÁTICA

Reading Time: 7 minutes read

Compreender os significados dos termos de IA e seus papéis nas imagens de diagnóstico.

Se você assistiu a uma conferência de diagnóstico por imagens ou leu uma publicação da indústria o ano passado, é provável que tenha escutado o termo “inteligência artificial”. Se não estiver seguro a respeito de seu significado e suas aplicações em diagnóstico por imagens, não está sozinho. Neste blog, definiremos a inteligência artificial, a aprendizagem profunda, a aprendizagem automática, e explicaremos suas diferenças.

Começaremos nossas definições com inteligência artificial (IA), que é tanto a teoria como o desenvolvimento de sistemas informáticos que podem realizar tarefas que normalmente requerem inteligência humana. Como campo de investigação, investiga como construir algoritmos específicos para que se comportem de uma maneira que possa considerar-se inteligente. Utilizamos inteligência artificial quase diariamente para numerosas tarefas. (1) Amazon sugere produtos relacionados para que os compre e que filmes ver a seguir. As companhias de cartões de crédito o usam para detectar e alertar sobre mudanças incomuns em seu comportamento de compra que podem indicar fraude.

Imagem do homem que interagem com tabela.

Carestream está construindo aplicações ai para diagnóstico de imagem

Começa com um algoritmo

O bloco de construção para estas e outras aplicações de inteligência artificial é um algoritmo. Um algoritmo é “um conjunto de instruções informáticas desenhadas para realizar uma tarefa específica”. (2)

Os mais básicos automatizam uma atividade humana; por exemplo, quando solicitamos a nossos telefones inteligentes um relatório meteorológico. (3) Quase tudo o que tem um computador dentro usa algoritmos de uma forma ou outra. Está aplicando algoritmos simples de processamento de imagens quando recorta ou troca o tamanho de uma foto. O Facebook usa um algoritmo complexo e exclusivo para determinar que publicações aparecerão na parte superior de sua fonte de notícias.

Os algoritmos não são mágicos e não se executam em uma caixa preta. São os resultados de uma codificação detalhada criada por pessoas que lhe dizem ao software exatamente o que fazer, passo a passo.

Então, como fazemos o salto desde a Siri que apresenta uma lista de pizzarias próximas quando lhe pergunta, aos veículos de condução autônoma com potentes capacidades de predição? Ao ensinar à máquina o raciocínio, a prioridade, a resolução de problemas e a dedução, o que nos leva às explicações da aprendizagem automática e a aprendizagem em profundidade.

Aprendizagem automática: interpretação de conjuntos de dados

A aprendizagem automática e a aprendizagem profunda são subconjuntos e aplicações da inteligência artificial. Exploram o estudo e a construção de algoritmos que podem aprender dos dados e fazer predições a respeito.

Começaremos definindo a aprendizagem automática. Segundo Upwork, este “ramo da informática” tem a ver com a construção de algoritmos guiados pelos dados. No lugar de confiar em programadores humanos para proporcionar instruções explícitas, os algoritmos de aprendizagem automática utilizam conjuntos de treinamentos de dados do mundo real para inferir modelos mais precisos e sofisticados do que os humanos poderiam desenhar por si próprio.” (4) Em outras palavras, aplicações de aprendizagem automática. Refinam-se com a experiência, não muito diferente do conceito humano de aprendizagem.

Por exemplo, pode-se programar um algoritmo simples para reconhecer uma foto de um Labrador Retriever em seu telefone como um “cão”. Mas não reconheceria a um beagle como um “cão”. Fazê-lo requereria que um programador de computadores defina todas as características de todas as raças de cães antecipadamente, proporcionando as instruções passo a passo necessárias.

Pelo contrário, a aprendizagem automática utiliza algoritmos complexos para aprender por si próprio. No exemplo de nosso Labrador, um programador de computadores cria um conjunto de dados de características gerais sobre cães. Com apoio neste conjunto de dados, os algoritmos podem fazer suas próprias inferências sobre outras imagens apoiadas nesses dados, e assim poder identificar que um Chihuahua é tão cão como um Grand Danes; e que um gato siamês não é um cão.

A tecnologia de jogos impulsiona a aprendizagem automática

As primeiras aplicações da aprendizagem automática se introduziram na década de 1980. Entretanto, os cálculos complexos requeriam mais potência de cálculo da que estava disponível nesse momento. Isto mudou ao redor de 2000 com a introdução de unidades de processamento gráfico (GPU). Esta mesma tecnologia que pode fazer que os mundos virtuais de fantasia em 3D tragam a potência informática necessária para a aprendizagem automática. Ao mesmo tempo, o acesso econômico ao armazenamento e a comoditização do hardware impulsionaram o desenvolvimento de aplicações de aprendizagem automática. Hoje em dia, a tecnologia de aprendizagem automática está acelerando a um ritmo além da Lei do Moore, com algoritmos e modelos que duplicam sua capacidade a cada seis meses, segundo Health Data Management. (5)

Aprendizagem profunda: não se requer treinamento

A aprendizagem profunda é a aprendizagem automática com esteroides. Esta forma muito avançada de aprendizagem automática explora o uso de redes neurais artificiais, uma forma de algoritmo inspirado na estrutura e função do cérebro humano.

Evoluir da aprendizagem automática à aprendizagem profunda, e da análise à interpretação, é um grande salto. Por quê? Porque os cérebros têm mais de 85 bilhões de conexões neurais. Embora as redes neurais artificiais aumentaram de tamanho, geralmente contêm somente entre uns poucos milhares e uns poucos milhões de neurônios. (6)

Entretanto, está progredindo. Está sendo desenhanda uma nova geração de tecnologia de chip de computador conhecido como processadores neuromórficos para executar de maneira mais eficiente o código de simulador cerebral. Sistemas como a plataforma de computador cognitivo Watson da IBM usam simulações de alto nível de processos neurológicos humanos para levar a cabo uma gama cada vez major de tarefas sem que lhes ensine especificamente como fazê-lo. As possibilidades levaram ao Diretor de Engenharia do Google, Ray Kurzweil, a predizer que as máquinas terão a capacidade de ser mais inteligentes que os humanos para 2029. (7)

Aplicações atuais de IA em diagnóstico por imagens

Agora que entendemos os significados da inteligência artificial, a aprendizagem profunda e a aprendizagem automática, exploraremos suas aplicações em diagnóstico por imagens. Há duas áreas principais que se estão desenvolvendo. Uma é a quantificação; a outra é interpretação.

Aqui há um exemplo de quantificação atualmente respaldado pela Carestream. Nosso sócio, Zebra Medical Vision, criou um algoritmo que pode calcular a densidade de um osso capturado com o CT. O algoritmo se executa cada vez que detecta uma imagem de um osso, apesar de que a densidade óssea não é a preocupação que levou a um paciente a consultar um médico. Algoritmos adicionais analisam o píxel e os bytes de dados contidos dentro da imagem para detectar os distintos patrões associados com a densidade óssea.

O resultado da análise do algorítimo é uma medida. Este é um exemplo do uso da IA para a quantificação. O número resultante pode-se comparar com uma métrica de umbral para determinar se o paciente está em risco de fratura. Se o número estiver embaixo do umbral, um médico pode lhe receitar uma ingestão regular de cálcio ou outra medida preventiva. Outras aplicações de aprendizagem automática atualmente apoiadas pela Carestream incluem a detecção de altos níveis de cálcio coronário, tecido gorduroso no fígado , enfisema pulmonar e hemorragias cerebrais, e a lista está crescendo.

As imagens de diagnóstico são um tesouro para a aprendizagem de IA

Desenvolver este nível de cuidado preventivo requer não só experiência em análise de imagens para desenvolver os algoritmos, mas também acesso a enormes bibliotecas de imagens. Os algoritmos precisam analisar muitos casos para ser mais informados e mais precisos.

A Carestream pode ter um papel chave nesta evolução. Administramos centenas de milhares de milhões de imagens em nossos repositórios de imagens médicas na nuvem (Cloud) e em centros de dados de saúde médicas nacionais e regionais; e o volume cresce diariamente. Estas imagens podem ser matéria prima para que os líderes clínicos desenvolvam, provem e validem novos algoritmos.

As equipes de investigação e as empresas de criação em todo mundo estão produzindo novos algoritmos para cobrir mais partes do corpo e patologias. Não passará muito tempo antes de que os radiologistas estejam equipados com milhares de algoritmos preditivos para detectar automaticamente os patrões das enfermidades mais comuns. Esta aplicação de análise de dados avançados mantém a emocionante perspectiva de predizer que pacientes correm maior risco de eventos clínicos que requerem uma intervenção antecipada. É um avanço importante para oferecer atenção preventiva. A Carestream está preparada para respaldar estes novos investimentos com nossa Plataforma de Colaboração Clínica modular e apoiada em padrões que está aberta a diferentes integrações.

A inteligência artificial substituirá aos radiologistas no futuro próximo? 

A aprendizagem profunda dará fim à profissão em 2029? Não se necessita um algoritmo para dar-se conta de que a resposta é não.

O Dr. Eliot Siegel, Professor e Vice-presidente de Informática de Investigação na Faculdade de Medicina da Universidade de Maryland, Departamento de Radiologia Diagnóstica, afirma que “embora as redes neurais tiveram êxito com imagens muito pequenas (por exemplo, 220 x 240 píxeles), não foram aplicadas às imagens muito mais complexas em uma radiografia, e muito menos a um estudo volumétrico do CT ou MRI “.

Em seu blog sobre 5 razões pelas quais o futuro dos radiologistas é seguro, ele escreve que “ninguém está perto de ter êxito geral aplicando as técnicas atuais às imagens médicas”. Com o fim de criar um sistema para fazer observações de radiologia, nós precisaríamos combinar milhares de algoritmos desenvolvidos nos últimos 25 anos. Inclusive, estes, somente cobririam uma pequena fração das enfermidades e diagnósticos realizados pelos radiologistas”.

O papel da IA na radiologia crescerá

Predizer o futuro é um negócio arriscado. Entretanto, podemos afirmar inequivocamente que as aplicações da assistência de saúde médica de IA seguirão evoluindo. A investigação publicada pelo MarketsandMarkets projeta que o mercado da inteligência artificial da saúde médica crescerá a mais de 7.900 milhões de dólares em 2022. Poderiam-se ver novas provas em RSNA17, que apresentava uma Comunidade de aprendizagem automática e uma Amostra de aprendizagem automática pela primeira vez em 2017.

Já seja que o chame inteligência artificial, dados grandes, aprendizagem inteligente ou algum outro termo, pode estar seguro de que os algoritmos desempenharão um papel cada vez mais importante na quantificação das imagens de diagnóstico. Espero que este blog tenha dado uma melhor compreensão dos termos inteligência artificial, aprendizagem profunda e aprendizagem automática. #AI #bigdata

Dario Arfelli é Gerente de Marketing de TI Global Health na Carestream Health.

 

COMMENTS

  • reply

    Bruno Angelo de Castro Drumond

    I’m a radiologist in Brazil and i work in a hospital assisted by Carestream in diagnostic imaging. I would like to know more about artificial intelligence on health Imaging.
    Is it possible to know more about courses supported by Carestream in this area? I think that it would be an opportunity for share experiences and improve my institution on medical assistance.

    • reply

      Hello, we don’t offer courses but I will ask someone from our local team to get in touch with you. Perhaps they will be a useful resource to you.

    • reply

      Hello, we don’t offer courses but I will ask our local representative to get in touch with you. They will be a useful resource to you. Thank you for your interest.

POST A COMMENT

This site uses Akismet to reduce spam. Learn how your comment data is processed.