Inovamos hoje para que você tenha um amanhã melhor.

Machine Learning e Deep Learning: IA na medicina

O Machine Learning é uma área predominante dentro da IA e o Deep Learning é uma outra área, em que se encontram algoritmos mais sofisticados.

Diariamente nos deparamos com situações onde pensamos: como é possível a minha câmera reconhecer rostos? Ou, como minha caixa de e-mail sabe quais são spam? Entre muitas outras. A resposta para todas essas perguntas está no Machine Learning!

O que são Machine e Deep Learning?

Machine Learning ou Aprendizado de Máquina (ML) é uma área predominante dentro da Inteligência Artificial (IA). No ML, um programa de computador é designado para realizar algumas tarefas e se diz que a máquina aprendeu com sua experiência se seu desempenho nessas tarefas melhora à medida que ganha mais e mais experiência na execução dessas tarefas. Assim, a máquina toma decisões e faz previsões com base nos dados.

Veja o exemplo de um programa de computador que aprende a detectar e prever câncer a partir de relatórios de evolução médica de um paciente. O desempenho será aprimorado à medida que acumular mais experiência ao analisar relatórios de evolução médica de uma população mais ampla de pacientes. Seu desempenho será medido pela contagem de previsões e detecções corretas de casos de câncer, conforme validado por um oncologista experiente.

O Deep Learning ou Aprendizado Profundo (DL) é uma outra área dentro de ML em que se encontram algoritmos mais sofisticados, as redes neurais, que são utilizadas para resolver problemas mais complexos, que os métodos comuns não conseguem. O exemplo anterior pode ser considerado uma tarefa complexa, a depender de como os dados que serão passados para a máquina estão dispostos. Então, fica a cargo do desenvolvedor de testar e descobrir qual técnica se encaixa melhor nesse cenário.

Representação de uma rede neural. Imagem produzida pelo autor.

Quando surgiu o primeiro algoritmo “inteligente”?

O primeiro algoritmo considerado como IA foi o algoritmo de jogar damas de Arthur Samuel em 1952. O código era capaz de aprender as melhores jogadas e evitar as que levavam à derrota. A escolha de um jogo para testar seu algoritmo não foi ao acaso, jogos são fáceis de comparar a performance da máquina com um jogador humano. No caso do jogo de damas havia outra vantagem: os guias de jogos famosos que levavam a cenários comuns durante as partidas, usando disso Arthur treinou seu algoritmo com base nesses guias.

O pesquisador e cientista da computação Arthur Samuel foi um pioneiro na área de ML e continuou a produzir artigos e resultados importantes até 1982 quando se aposentou como professor na Universidade de Stanford.

Em relação ao DL, a primeira rede neural criada que ainda não poderia ser descrita como profunda, mas era capaz de aprender tarefas simples de classificar objetos, foi o Mark I Perceptron, criada por Frank Rosenblatt. Diferentemente de Arthur, ele não era da área da computação, possuía bacharelado em psicologia, mas sempre é lembrado nas aulas de IA como um dos pais do DL.

Quais as principais aplicações de Machine Learning e Deep Learning?

As possibilidades de aplicações são infinitas, desde oferecer as melhores ofertas com base no que você comprou nos últimos meses até identificar tumores em imagens de ressonância magnética. A ML pode ser aplicada a qualquer área e contexto, mas vamos nos ater às áreas da saúde e biologia. Ademais, iremos citar algumas aplicações que usam métodos clássicos de ML e outras mais complexas que demandam o uso de DL.

Aplicação 1: Detecção de sepse

Os prontuários eletrônicos dos pacientes fornecem muitas informações sobre a evolução da saúde de um paciente admitido em uma unidade de terapia intensiva (UTI). A sepse, também conhecida como infecção generalizada, é uma condição crítica sofrida por um paciente que, se não tratado em tempo hábil, pode causar mortes.

Pensando nisso, pesquisadores da Índia construíram um modelo capaz de detectar se um paciente internado irá desenvolver sepse ou não. Como os dados utilizados são coerentes e estavam bem estruturados, modelos clássicos foram o suficiente para esse problema. Eles utilizaram uma combinação de modelos, sendo que o fluxo que se seguia era: o paciente foi internado há menos de 6 horas? Se sim, utilizava-se um classificador que respondia sim ou não para a possibilidade de desenvolver sepse; se não usam um outro classificador, que foi treinado com outros dados para obter a mesma resposta.

Eles obtiveram uma acurácia média de 82,1%, ou seja, a cada 10 pacientes 8 recebiam o diagnóstico correto em relação a sepse. Além disso, os dados utilizados foram de hospitais dos Estados Unidos que anonimizaram os pacientes e os disponibilizaram.

Aplicação 2: Predição de doença cardíaca

Prever e detectar doenças cardíacas sempre foi uma tarefa crítica e desafiadora para os profissionais de saúde. Hospitais e outras clínicas estão oferecendo terapias e operações caras para tratar doenças cardíacas. Portanto, prever doenças cardíacas nos estágios iniciais será útil para as pessoas em todo o mundo, para que tomem as medidas necessárias antes de se agravarem.

Esse é um problema muito bem estudado e que já foram construídos diversos modelos capazes de resolvê-lo. Então vamos olhar para os resultados que alguns pesquisadores obtiveram:

AutorMétodoAcurácia
Liaqat Ali et alRede neural (DL)91,57%
Kanak Saxena et alClassificador (ML)86,3%
Awais Nimat et al.Classificador (ML)92,22%
Deepika et alModelo estatístico + classificador (ML)95,55%
Ashir Javeed et al.Classificador (ML)93,33%
D.M Chitra et.alModelo estatístico + classificador (ML)82%

A comparação não é totalmente precisa, visto que os pesquisadores utilizaram conjuntos de dados diferentes para treinarem e testarem seus modelos. Contudo, podemos ver que os resultados são promissores, com todos tendo um acerto acima de 80%.

Aplicação 3: Detecção de regiões regulatórias e enhancer em genes

Os enhancers desempenham um papel crítico na promoção da transcrição de genes. No entanto, a identificação de enhancers é um desafio para as pesquisas em bioinformática. As redes neurais são utilizadas em muitas ferramentas para resolver esse problema. O DeepSEA é uma ferramenta para prever os efeitos da cromatina em alterações de sequência com sensibilidade a um único nucleotídeo. Ele adota o DL para aprender um código de sequência regulatória a partir de dados de perfil de cromatina em grande escala. Você pode checar e testar o DeepSEA em http://deepsea.princeton.edu/.

Saiba mais sobre enhancers: Enhancer: elemento genético associado a doenças

O futuro promissor de Machine Learning na medicina

Vimos que o Machine Learning é uma área extremamente vasta que pode resolver diversos problemas, sendo que ele já é aplicado em diversos aspectos do nosso cotidiano. Com o avanço da tecnologia, novos modelos são criados e cada vez mais nos aproximamos de uma inteligência menos artificial, que nos traz mais conforto, qualidade de vida e comodidades no nosso dia a dia. Há ainda muito mais por vir!

Sobre o autor:

Henrique Tostes é graduando em Informática Biomédica pela Universidade de São Paulo. Atualmente estagiário como cientista de dados e membro da empresa júnior de Informática Biomédica da Universidade de São Paulo.

Referências:

  • Hung, C.-L., & Tang, C. Y. (2017). Bioinformatics tools with deep learning based on GPU. 2017 IEEE International Conference on Bioinformatics and Biomedicine (BIBM). doi:10.1109/bibm.2017.8217950
  • Katarya, R., & Srinivas, P. (2020). Predicting Heart Disease at Early Stages using Machine Learning: A Survey. 2020 International Conference on Electronics and Sustainable Communication Systems (ICESC). doi:10.1109/icesc48915.2020.91555
  • Manmay Nakhashi et al. (2019) Early Prediction of Sepsis: Using State-of-the-art Machine Learning Techniques on Vital Sign Inputs. 2019 Computing in Cardiology (CinC)
  • Ray, S. (2019). A Quick Review of Machine Learning Algorithms. 2019 International Conference on Machine Learning, Big Data, Cloud and Parallel Computing (COMITCon). doi:10.1109/comitcon.2019.8862451
  • Rosenblatt, F. (1960). Perceptron Simulation Experiments. Proceedings of the IRE, 48(3), 301–309. doi:10.1109/jrproc.1960.287598
  • Wiederhold, G., & McCarthy, J. (1992). Arthur Samuel: Pioneer in Machine Learning. IBM Journal of Research and Development, 36(3), 329–331. doi:10.1147/rd.363.0329
Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Relacionados