Notícia

Cientistas testam inteligência artificial na tomada de decisão médica

Divulgação, MIT

Fonte

MIT | Instituto de Tecnologia de Massachusetts

Data

quarta-feira, 7 agosto 2019 09:55

Áreas

Inteligência Artificial. Medicina. Processamento de Sinais.

Cientistas da computação do Instituto de Tecnologia de Massachusetts (MIT) esperam acelerar o uso da inteligência artificial para melhorar a tomada de decisões médicas, automatizando uma etapa fundamental que geralmente é feita à mão – e isso está se tornando mais trabalhoso à medida que certos conjuntos de dados se tornam cada vez maiores.

O campo da análise preditiva é cada vez mais promissor para ajudar os médicos a diagnosticar e tratar pacientes. Os modelos de aprendizagem por máquina podem ser treinados para encontrar padrões em dados de pacientes para auxiliar no tratamento da sepse, projetar regimes de quimioterapia mais seguros e prever o risco de um paciente ter câncer de mama ou morrer na UTI, para citar apenas alguns exemplos.

Normalmente, os conjuntos de dados de treinamento existem para várias doenças, mas com relativamente poucos dados para cada paciente. Os especialistas devem então encontrar apenas esses aspectos – ou “características” – nos conjuntos de dados que serão importantes para fazer previsões.

Essa “engenharia de características” pode ser um processo trabalhoso e caro. Mas está se tornando ainda mais desafiador com o aumento dos sensores vestíveis, porque os pesquisadores podem monitorar mais facilmente a biometria dos pacientes por longos períodos, rastreando os padrões de sono, a marcha e a atividade da voz, por exemplo. Depois de apenas uma semana de monitoramento, os especialistas podem ter vários bilhões de amostras de dados para cada doença em estudo.

Em um artigo apresentado recentemente na conferência Machine Learning for Healthcare, pesquisadores do MIT demonstram um modelo que aprende automaticamente características preditivas de distúrbios das cordas vocais. Os recursos vêm de um conjunto de dados de cerca de 100 participantes, cada um com cerca de uma semana de dados de monitoramento de voz e vários bilhões de amostras, ou seja, um pequeno número de características e uma grande quantidade de dados por característica. O conjunto de dados contém sinais capturados de um pequeno sensor de acelerômetro montado no pescoço dos participantes.

Nos experimentos, o modelo utilizou características extraídas automaticamente desses dados para classificar, com alta precisão, pacientes com e sem nódulos nas cordas vocais. Estas são lesões que se desenvolvem na laringe, muitas vezes por causa de padrões de uso indevido de voz, como cantar ou gritar. É importante ressaltar que o modelo realizou essa tarefa sem um grande conjunto de dados rotulados à mão.

“Está se tornando cada vez mais fácil coletar conjuntos de dados de séries temporais longas. Mas você tem médicos que precisam aplicar seus conhecimentos para rotular o conjunto de dados ”, diz o autor principal, José Javier Gonzalez Ortiz, estudante de doutorado no Laboratório de Inteligência Artificial e Ciência da Computação do MIT (CSAIL, da sigla em inglês). “Queremos remover essa parte manual para os especialistas e transferir toda a engenharia de características para um modelo de aprendizado de máquina”.

O modelo pode ser adaptado para aprender padrões de qualquer doença ou condição. Mas a capacidade de detectar os padrões diários de uso da voz associados a nódulos nas cordas vocais é um passo importante no desenvolvimento de métodos aperfeiçoados para prevenir, diagnosticar e tratar o distúrbio, dizem os pesquisadores. Isso pode incluir a criação de novas formas de identificar e alertar as pessoas sobre comportamentos vocais potencialmente prejudiciais.

Mapeamento de características normais e anormais

No treinamento, o modelo aprende a mapear essas características para “pacientes” ou “controles”. Os pacientes terão mais padrões de voz do que os controles. Em testes em assuntos nunca vistos, o modelo condensa de maneira semelhante todos os segmentos do espectrograma em um conjunto reduzido de características. Então, são regras majoritárias: se o conjunto de dados tem segmentos anormais, eles são classificados como pacientes; se eles tiverem principalmente os normais, eles serão classificados como controles.

Em experimentos, o modelo foi executado com a mesma precisão dos modelos de última geração que exigem análise manual de recursos. É importante ressaltar que o modelo dos pesquisadores foi executado com precisão tanto no treinamento quanto no teste, indicando que está aprendendo padrões clinicamente relevantes dos dados, e não informações específicas daquele conjunto de dados.

Como próximo passo, os pesquisadores querem monitorar como vários tratamentos – como cirurgia e terapia vocal – afetam o comportamento vocal.  Eles também esperam usar uma técnica similar nos dados do eletrocardiograma, que é usado para rastrear as funções musculares do coração.

Acesse a notícia completa na página do MIT (em inglês).

Fonte: Rob Matheson, MIT News Office. Imagem: Divulgação, MIT.

Em suas publicações, o Portal Tech4Health da Rede T4H tem o único objetivo de divulgação científica, tecnológica ou de informações comerciais para disseminar conhecimento. Nenhuma publicação do Portal Tech4Health tem o objetivo de aconselhamento, diagnóstico, tratamento médico ou de substituição de qualquer profissional da área da saúde. Consulte sempre um profissional de saúde qualificado para a devida orientação, medicação ou tratamento, que seja compatível com suas necessidades específicas.