Trabalhando conceitos: Definindo Machine Learning
Por Dr. Felipe Mesquita
Oncohematologista, Entusiasta de Inteligência Artificial e Pesquisa Clínica
Sejam bem-vindos novamente à nossa coluna de Inteligência Artificial aqui no Saúde Digital. Pretendemos criar um canal de educação continuada para o médico assistencialista, abordando os potenciais impactos e desafios do uso e implementação de tecnologias disruptivas na prática clínica. Na edição passada conversamos um pouco sobre a aplicabilidade da I.A como ferramenta orientada à otimização de funções em situações predeterminadas, auxiliando o médico no processo diagnóstico, terapêutico e preditor de desfecho. Se você não ainda não leu, clique aqui.
Trabalhando conceitos: Definindo Machine Learning – Aplicações da I.A. na prática clínica
Além do exemplo já citado da DeepMind, podemos ir além. Em publicação recente na revista Nature, a agência britânica de saúde NHS (UK) em parceria com pesquisadores do Google Health apresentou um algoritmo treinado para diagnóstico precoce de câncer de mama com uma acurácia superior a 2 radiologistas trabalhando em conjunto para o mesmo fim. Também são conhecidos os casos dos algoritmos BlueDot (Canadense) e HealthMap (Boston Children’s Hospital – EUA) que emitiram alertas indicando a possível propagação do Sars-CoV-2 antes das autoridades da Organização Mundial da Saúde em 2019.
Mas não se engane: apesar do movimento de ascensão da Inteligência Artificial nos últimos 10 anos, o mundo já se encontra familiarizado com o tema desde a década de 1950.
O Nascimento da I.A.
Alan Turing, matemático inglês considerado o pai da computação e pioneiro no campo da inteligência artificial, definiu o conceito de algoritmo e propôs o que ficou conhecido como Teste de Turing. Tal experimento consistia basicamente em simular uma conversa entre homem e máquina de maneira que o primeiro não conseguisse diferenciar se havia outro humano ou não do outro lado da tela. Na década de 1980, surgiram os famosos sistemas especialistas. Estes consistiam em fluxogramas de trabalho com árvores de decisões baseadas em regras lógicas (“se…/então…”) e escritos de antemão por especialistas com base em consensos presentes na literatura (por exemplo: condutas propostas em guidelines de sociedades médicas). Apresentavam-se como uma forma limitada, previamente estruturada e rígida de Inteligência Artificial que tinham como finalidade auxiliar nas condutas da prática clínica. Tendo isso em mente, introduziremos o conceito de Aprendizagem de Máquina (“Machine Learning”).
Trabalhando conceitos: Definindo Machine Learning – Afinal de contas, o que é Machine Learning ou Aprendizado de Máquina?
O termo descreve um subcampo da I.A. que tem como característica o auto aprendizado por parte do algoritmo a partir das informações fornecidas. Ou seja, vemos sistemas que melhoram seu desempenho em uma determinada tarefa com mais e mais experiências ou dados. Objetivamos aqui autonomia e adaptabilidade por parte do algoritmo. Trocando em miúdos, pense no modo como uma criança aprende: a partir de dados fornecidos (visuais, auditivos, olfatórios), a criança cria padrões em seu cérebro para reconhecer novamente aqueles elementos quando a ela forem uma vez mais apresentados. Com o avançar da sua capacidade cognitiva ela se utiliza de vivências prévias para poder predizer ou modelar eventos futuros e, se possível, com base estatística de probabilidade de ocorrência de tais eventos dado o acontecimento ou não de um fato (“qual a chance de eu ganhar um doce se eu tirar notas boas no colégio?”). O aprendizado pode se dar de várias formas como a supervisionada (por um ser humano), a não supervisionada, a semi-supervisionada e por reforço. Não fique ansioso, abordaremos com mais detalhes os algoritmos e formas de aprendizado em artigos subsequentes. Importante: note que temos uma infinidade de vieses possíveis uma vez que os dados inseridos para treinamento e ajuste dos parâmetros dos algoritmos são definidos por humanos, e aí residem vários debates acerca da confiabilidade e segurança da aplicação de I.A em dados sensíveis (área da saúde).
Inteligência Artificial: A importância da Multidisciplinaridade e da Capacidade de trabalhar com Incertezas
Devemos entender, portanto, a Inteligência Artificial como uma área de pesquisa que é fundamentada basicamente em estatística, computação e matemática. A computação em nuvem, o aumento do poder computacional (como o desenvolvimento de melhores GPUs para processamento gráfico) e a enorme geração de dados são pilares sobre os quais a Inteligência Artificial moderna se constrói. Aliado a isso temos a grande capacidade em lidar com a incerteza presente nos novos algoritmos, impulsionada pelos conceitos de probabilidade e melhora nos métodos estatísticos. Na aurora dos novos tempos, precisamos nos posicionar como líderes no processo de mudança.
Referências:
- McKinney, S.M., Sieniek, M., Godbole, V.et al. International evaluation of an AI system for breast cancer screening. Nature 577, 89–94 (2020). https://doi.org/10.1038/s41586-019-1799-6
- https://towardsdatascience.com/artificial-intelligence-against-covid-19-an-early-review-92a8360edaba
Participe do Saúde Digital
Deixe-nos saber o que você achou deste artigo! Você tem alguma dica para dar para o Saúde Digital? Quer sugerir um tema? Sua participação é muito importante! Clique aqui para falar conosco.
Você pode falar também diretamente com o host Lorenzo Tomé pelo Instagram, Linkedln ou Telegram no @lorenzotome.
Conheça o SDConecta!Lá tem mais assuntos como este e uma comunidade de inovadores da saúde para conectar com você. Clique aqui para acessar!