Não há dúvida de que o aprendizado de máquina revolucionou nosso mundo e a maneira como interagimos com ele. A maioria de nós interage com ele todos os dias e luta para lembrar um momento antes de podermos pedir a Alexa para “definir um alarme para as 6 da manhã de amanhã”. De previsões de tráfego de GPS e filtragem de spam à vigilância de segurança e detecção de fraude, o aprendizado de máquina tornou nossas vidas mais rápidas e convenientes do que nunca.

Big Data no setor de saúde

É claro que uma ampla variedade de setores de Angiologista Goiânia se adaptou para utilizar o aprendizado de máquina, e o setor de saúde não é exceção. O setor de saúde sempre possuiu uma grande quantidade de informações, com uma quantidade de dados estimada em torno de 150 exabytes (1 exabyte = 10¹⁸) em 2011. Essas informações estão presentes em uma grande variedade de formas, incluindo prontuário escrito, imagens médicas, laboratório resultados de testes, história familiar e bancos de dados genéticos. Portanto, devido à grande quantidade de dados, não é surpresa que o aprendizado de máquina e a inteligência artificial tenham seu lugar no setor de saúde.

Formulários

Imagiologia Médica e Diagnóstico

A análise de imagens médicas foi uma das primeiras áreas visadas quando o aprendizado de máquina foi introduzido pela primeira vez no setor de saúde. Atualmente, as imagens médicas, como ultrassom, tomografia computadorizada e ressonância magnética, são avaliadas por um indivíduo treinado, como um médico, patologista ou radiologista. Esses indivíduos utilizam anos de treinamento e experiência para avaliar consistentemente essas imagens e fazer diagnósticos. Embora geralmente sejam bem treinados, esse processo está sujeito a erros humanos e pode se tornar caro se vários profissionais forem consultados.

O aprendizado de máquina está sendo aplicado a essa faceta da medicina com a intenção de ajudar os profissionais médicos com a precisão e a taxa de diagnósticos.

Angiologista Goiânia

Uma pesquisa com 308 artigos discutindo a aplicação do aprendizado profundo na análise de imagens médicas foi realizada em 2017. A pesquisa constatou a aplicação do aprendizado profundo em imagens de: cérebro, olho, tórax, patologia / microscopia digital, mama, coração, abdômen e esqueleto. Em cada instância, o deep learning foi usado para produzir modelos matemáticos capazes de fazer diagnósticos. Esta pesquisa descobriu que as redes neurais convolucionais (CNNs) de treinamento ponta a ponta se tornaram a abordagem preferida para essas análises.

Um dos principais problemas identificados na pesquisa foi a disponibilidade de grandes conjuntos de dados rotulados para ajustar os modelos. Como mencionado anteriormente, a disponibilidade de dados não é o problema, porém, o processo de rotulagem de imagens requer consulta a especialistas, o que nem sempre é uma possibilidade imediata.

Processamento de linguagem natural de documentos e literatura médica

O processo de linguagem natural (PNL) é um ramo do aprendizado de máquina associado à interação entre humanos e computadores usando a linguagem natural. O objetivo da PNL é ler e entender as linguagens humanas de uma maneira que produza valor.

Uma vez que o setor de saúde está voltado para as pessoas, não é surpresa que a PNL seja facilmente aplicada a esses problemas. Duas aplicações específicas do NPL incluem: a identificação de pacientes com cirrose a partir de registros eletrônicos de saúde e exames radiológicos, e a identificação de casos notificáveis ​​de câncer a partir de relatórios de patologia; o primeiro produzindo modelos com sensibilidade de 95,7% e especificidade de 93,9%, e o último produzindo modelos com acurácia de 87,2% e precisão de 84,3%.

Aprendizado de máquina em genômica clínica

Genômica clínica é o estudo de resultados clínicos com dados genômicos. Especificamente, é o campo de estudo que utiliza todo o genoma de um paciente para diagnosticar uma doença ou ajustar medicamentos. O genoma humano se refere a todo o conjunto de sequências de ácido nucléico codificadas como DNA – estimado em cerca de 1,5 gigabytes de dados. O aprendizado de máquina, devido à sua capacidade de processar uma grande quantidade de dados, foi adaptado para abordar várias etapas envolvidas na análise genômica clínica, conforme explicado neste artigo.

Essas etapas incluem: chamada de variante, anotação de genoma, classificação de variante e correspondência fenótipo-genótipo. Cada um desses processos será discutido a seguir.

Variante de Chamada

A chamada de variantes é o processo de identificação de variantes genéticas individuais entre os milhões que povoam cada genoma e requer extrema precisão. DeepVariant, um chamador de variantes baseado em CNN recentemente superou as ferramentas padrão em uma variedade de tarefas de chamadas de variantes.

Anotação do genoma

A anotação do genoma é o processo de identificação dos locais e da função dos genes e das regiões codificantes do genoma. Uma rede neural recorrente (RNN) com memória de longo prazo (LSTM) chamada DeepAnnotator foi treinada e produziu uma pontuação F de 94%, superando os métodos existentes.

Classificação de Variante

A classificação de variantes é o processo de inferir o impacto das variantes genéticas nos elementos genômicos funcionais. LEAP, ou Learning from Evidence to Assess Pathogenicity, é um modelo de aprendizado de máquina que foi configurado para realizar essa tarefa exata. O modelo é um classificador florestal aleatório que atingiu uma área sob a curva característica de operação do receptor (AUROC) de 98%.

Mapeamento de fenótipo-genótipo

Finalmente, há o mapeamento fenótipo-genótipo, que é o processo de vincular as características observáveis ​​(fenótipo) e o genoma (genótipo) obtido nas análises anteriores. É o processo de justificar ou diagnosticar com base na análise genética obtida. Esta é a etapa mais complexa, devido à variação sintomática física e genética significativa que é possível. DeepGestalt, é outro algoritmo de análise de imagem facial baseado em CNN usado em paralelo com PEDIA, um sistema de interpretação de genoma. Este sistema foi capaz de superar os dismorfologistas humanos no diagnóstico clínico da síndrome de Noonan, que atesta a consistência do aprendizado de máquina.

Angiologista Goiânia

Desafios e limitações

É evidente que o aprendizado de máquina começou a se integrar ao setor de saúde com resultados incríveis. No entanto, é importante perceber que a integração desses elementos deve ser feita de forma responsável e conservadora.

Questões Regulatórias

Devido à natureza dos dados de saúde e cuidados de saúde, esses algoritmos levantam uma série de desafios éticos em torno da origem e privacidade dos dados usados ​​para treinamento. Além disso, esses algoritmos estão sujeitos a muito ceticismo devido à sua transparência, ao processo regulatório para retreinamento dos algoritmos, bem como à responsabilidade associada ao erro de previsão.

Interpretabilidade AI

A natureza de “caixa preta” desses sistemas de aprendizado de máquina é frequentemente criticada por gerar uma saída sem justificativa. Devido à natureza do diagnóstico clínico, que normalmente é um ambiente de alto risco, seria ideal para esses sistemas fornecerem interpretações interpretáveis ​​por humanos para cada previsão.

Polarização de dados e máquina

Há uma boa quantidade de subestrutura, ou preconceito, associada a fatores de risco e resultados de saúde. Esses vieses podem ser resultado de status socioeconômico, práticas culturais, representação desigual e outros fatores não causais. Esses vieses podem ter um efeito adverso no desempenho e na generalização do modelo. Portanto, é importante garantir que os modelos de aprendizado de máquina nesse setor sejam avaliados especificamente para formas de viés não causal.

Conclusão

É claro que o aprendizado de máquina tem prosperado devido à quantidade significativa de dados gerados pelo setor de saúde. Uma grande quantidade de modelos de aprendizado de máquina foi construída e aplicada a diferentes facetas da medicina com resultados incríveis. Essas áreas incluem imagens médicas e diagnóstico usando PNL, bem como genômica clínica. Esses algoritmos superaram em grande parte os métodos atuais de última geração, mas estão sujeitos a escrutínio devido à sua regulamentação, interpretabilidade e possível viés. Finalmente, embora o desenvolvimento técnico da aprendizagem de máquina tenha se enraizado na medicina, será cada vez mais importante desenvolver a legislação a fim de permitir a integração total.