Como a IA está a tornar mais fácil diagnosticar doenças

Hoje em dia o algoritmo da IA requer dezenas de milhares de dispendiosas imagens médicas para detectar a doença de um doente. E se pudéssemos reduzir drasticamente a quantidade de dados necessários para treinar a IA, obtendo diagnósticos de baixo custo e mais eficazes? O TED Fellow Pratik Shah está a trabalhar numa tecnologia que requer apenas 50 imagens para criar um algoritmo funcional — e até pode usar fotos tiradas pelos telemóveis dos médicos para fazer um diagnóstico. Saibam mais sobre como esta nova forma de analisar informações médicas poderá conduzir a uma detecção mais rápida de doenças de risco de vida e fazer diagnósticos assistidos por IA para mais cuidados de saúde em todo o mundo.

Hoje em dia, os algoritmos de computadores
desempenham tarefas incríveis

com grande precisão, em grande escala,

utilizando uma inteligência
parecida com a humana.

Esta inteligência dos computadores
é frequentemente chamada IA,

ou seja, inteligência artificial.

É previsto que a IA tenha, no futuro,
um enorme impacto na nossa vida.

Porém, hoje em dia, ainda
enfrentamos desafios enormes

na detecção e diagnóstico
de muitas doenças letais,

tais como doenças infecciosas e cancro.

Milhares de doentes, todos os anos,

perdem a vida devido
a um cancro do fígado ou da boca.

A melhor maneira
de ajudar esses doentes

é realizar a detecção e o diagnóstico
dessas doenças mais cedo.

Então, como detectamos essas doenças
e como a IA pode ajudar?

Em doentes em quem, infelizmente,
haja suspeitas dessas doenças,

um médico especialista pede, primeiro,

uma qualquer tecnologia dispendiosa
de imagiologia médica,

como a imagiologia por fluorescência,
um TC, ou um MRI.

Depois de colhidas essas imagens,

outro especialista faz o diagnóstico
das imagens e fala com o doente.

Como podem ver, este é
um processo muito dispendioso

que requer médicos especialistas,
tecnologia de imagiologia médica cara

e não é considerado prático
para os países em desenvolvimento.

O mesmo acontece
com as nações industrializadas.

Podemos resolver isto
com a inteligência artificial?

Hoje, se eu fosse usar arquitecturas
tradicionais de inteligência artificial

para resolver este problema,

seriam necessárias dez mil

— repito, cerca de dez mil —
dessas imagens médicas muito caras

só para serem geradas.

Depois disso, iria
a um médico especialista,

que analisaria essas imagens.

Usando estes dois bocados de informações,

posso treinar uma rede neural profunda
ou uma rede de aprendizagem profunda

para fazer os diagnósticos a doentes.

Tal como a primeira abordagem,

a abordagem tradicional
da inteligência artificial

passa pelo mesmo problema.

Uma grande quantidade de dados,
médicos especialistas

e especialistas
de tecnologias de imagiologia.

Será que podemos inventar
arquitecturas de IA

mais evolutivas, mais eficazes
e mais valiosas,

para resolver esses problemas
importantes que hoje enfrentamos?

É exactamente isto o que faz
o meu grupo no MIT Media Lab.

Inventámos uma variedade
de arquitecturas IA pouco ortodoxas

para resolver alguns dos desafios
mais importantes que temos hoje

em imagiologia médica e testes clínicos.

No exemplo que partilho aqui
tínhamos dois objetivos.

O nosso primeiro objectivo era
reduzir o número de imagens

necessárias para treinar o algoritmo
da inteligência artificial.

No segundo objetivo fomos mais ambiciosos.

Queríamos reduzir o uso de tecnologia
de imagiologia médica cara

para examinar doentes.

Então, como o fizemos?

No primeiro objectivo,

em vez de começarmos
com dezenas e milhares

destas imagens médicas caras,
como a IA tradicional,

começámos com uma única imagem médica.

A partir desta imagem, a minha equipa e eu
encontrámos uma forma inteligente

de extrair milhares de milhões
de pacotes de informações.

Estes pacotes de informações
incluíam cores, pixeis, geometria

e a apresentação da doença
na imagem médica.

Ou seja, convertemos uma imagem
em milhares de milhões de pontos de dados,

reduzindo massivamente o número
de dados necessários para o treino.

Para o segundo objectivo

— reduzir o uso da tecnologia
de imagiologia médica cara

para examinar doentes —

começámos com uma fotografia
normal, com luz natural,

tirada por uma câmara DSLR
ou um telemóvel, para o doente.

Lembram-se dos milhares de milhões
de pacotes de informações?

Nós sobrepomos esses pacotes
da imagem médica nesta imagem,

criando algo a que chamamos
uma imagem composta.

Para nossa surpresa,
só precisámos de 50

— repito, só 50 —

dessas imagens compostas para
treinar o algoritomo para alta eficiência.

Para resumir a nossa abordagem,

em vez de usarmos 10 000
imagens médicas muito caras,

podemos treinar o algoritmo
da IA, de uma forma pouco ortodoxa,

usando apenas 50 destas fotos
normais, mas de alta resolução

tiradas por uma câmara DSLR
ou um telemóvel,

e providenciando o diagnóstico.

Mais importante,

o nosso algoritmo pode aceitar,
no futuro e até mesmo agora,

algumas fotografias simples
à luz normal, do doente,

em vez da tecnologia
de imagiologia médica cara.

Acredito que estamos
preparados a entrar numa era

em que a inteligência artificial

vai ter um incrível impacto
no nosso futuro.

Acho que pensar na IA tradicional

que é rica em dados
mas pobre em aplicações,

devíamos continuar a pensar

em arquitecturas pouco
ortodoxas para a inteligência artificial

que aceitem pequenas quantias de dados

e resolvam problemas importantes
que enfrentamos hoje em dia,

sobretudo nos cuidados de saúde.

Muito obrigado.

(Aplausos)