Depois de analisar milhares de radiografias de tórax e os relatórios clínicos que os acompanham, uma Inteligência Artificial (IA) aprendeu a detectar doenças nesses exames com a mesma precisão de um radiologista humano.
A maioria dos modelos atuais de diagnóstico de IA são treinados em varreduras rotuladas por humanos, mas essa rotulagem é um processo demorado. Agora, o novo modelo, chamado CheXzero, pode “aprender” por conta própria com os relatórios médicos existentes que os especialistas escreveram em linguagem natural.
As descobertas sugerem que a rotulagem de raios-x com o objetivo de treinar modelos de IA para interpretar imagens médicas não é necessária, o que pode economizar tempo e dinheiro.
Uma equipe de pesquisadores da Harvard Medical School (EUA) treinou o modelo CheXzero em um conjunto de dados publicamente disponível de mais de 377.000 radiografias de tórax e mais de 227.000 relatórios clínicos correspondentes. Isso o ensinou a associar certos tipos de imagens com as anotações existentes, em vez de aprender com dados estruturados que haviam sido rotulados manualmente para a tarefa.
O desempenho do CheXzero foi então testado em conjuntos de dados separados de duas instituições diferentes, uma em outro país, para verificar se ele era capaz de combinar imagens com as anotações correspondentes, mesmo quando os relatórios continham terminologia diferente.
A pesquisa, descrita na Nature Biomedical Engineering, descobriu que o modelo era mais eficaz na identificação de problemas como pneumonia, colapso pulmonar e lesões do que outros modelos de IA autossupervisionados. Na verdade, era semelhante em precisão aos radiologistas humanos.
Enquanto outros tentaram usar dados médicos não estruturados dessa maneira, esta é a primeira vez que o modelo de IA de uma equipe aprendeu com texto não estruturado e comparou o desempenho dos radiologistas, demonstrando a capacidade de prever várias doenças a partir de um determinado raio-x com um alto grau de precisão, diz Ekin Tiu, estudante de graduação em Stanford (EUA) e pesquisador convidado que foi coautor do relatório.
“Somos os primeiros a fazer isso neste campo e demonstrá-lo eficientemente”, diz ele.
O código do modelo foi disponibilizado publicamente para outros pesquisadores na esperança de que possa ser aplicado a tomografias computadorizadas, ressonâncias magnéticas e ecocardiogramas para ajudar a detectar uma ampla gama de doenças em outras partes do corpo, diz Pranav Rajpurkar, professor assistente de biomedicina. informática no Instituto Blavatnik da Harvard Medical School (EUA), que liderou o projeto.
“Nossa esperança é que as pessoas sejam capazes de aplicar isso imediatamente a outros conjuntos de dados de radiografia de tórax e doenças com as quais se importam”, diz ele.
Rajpurkar também está otimista de que os modelos de diagnóstico de IA que exigem supervisão mínima possam ajudar a aumentar o acesso aos cuidados médicos em países e comunidades onde os especialistas são escassos.
“Faz muito sentido usar os relatórios como sinais de treinamento mais ricos”, diz Christian Leibig, diretor de machine learning da startup alemã Vara, que usa IA para detectar câncer de mama. “É uma grande conquista chegar a esse nível de desempenho”.
MIT Technology Review
