Inteligência Artificial na saúde: onde estamos?
Por Eduardo Farina
O uso de Inteligência Artificial na saúde vem crescendo cada vez mais e possui um potencial enorme para melhorar o sistema de saúde como um todo. Apesar desse crescente hype da IA na saúde, desde 1985 existiam conferências médicas sobre inteligência artificial. Mas por que esse assunto se tornou tão em voga ultimamente ?
A melhoria dos hardwares com aumento do poder computacional e o aumento da quantidade de dados coletados causaram um significativo boom na IA e não só na saúde. É bom esclarecer que dentro da IA temos a subárea de aprendizado de máquina (machine learning) e dentro dela possuímos a subárea de aprendizado profundo (deep learning).
O deep learning, que hoje é o mais debatido devido às suas potenciais implicações para saúde, principalmente no reconhecimento de imagem, ficou extremamente famoso em 2012 com o desafio do ImageNet, em que as redes neurais tiveram um desempenho nunca antes visto para classificação de imagem. E por causa desse desempenho incrível o Professor Geoffrey Hinton, um dos mais incríveis pesquisadores de rede neural, afirmou em 2016 que não devíamos mais treinar radiologistas, pois as máquinas tomariam seus lugares.
Estamos em 2020 e a IA não está perto de tomar o lugar do radiologista. Mas, por quê? Os algoritmos são capazes de detectar padrões em milissegundos, em segmentar tumores em milhares de imagens em menos de um dia! Como não vão tomar o lugar do Radiologista? Bom, o uso das redes neurais é realmente incrível para realizar certas tarefas que englobam radiologia, no entanto, hoje, a maioria dos modelos de IA que se propõem a realizar uma dessas tarefas consegue ser bom em apenas uma, como por exemplo, muito propagado durante a pandemia, o reconhecimento de Covid-19 em radiografias ou tomografias. No entanto, não é todo paciente que chega na emergência com sintomas gripais que têm Covid-19.
E as outras doenças? O modelo não vai acertar? Provavelmente irá errar, sim. Ainda é muito difícil termos modelos que predizem com alta performance tarefas multiclasse – e quase tudo na medicina é multiclasse, já que lidamos sempre com probabilidades diagnósticas e não com diagnóstico “fechado”. Além disso, ainda temos os vieses étnicos relacionados à quantidade de dados referentes a populações distintas – muitos dados de norte americanos e europeus e pouco de asiáticos e africanos. Lidamos também com pouca explicabilidade de alguns modelos, algo extremamente necessário na saúde.
Lidamos com falta de conhecimento da comunidade médica sobre o assunto, causando uma barreira para as aplicações. Mas estamos trabalhando para isso, como Dados & Saúde, acreditamos que a área de Ciência de Dados e Inteligência Artificial só vai realmente impactar a saúde quando conseguirmos atingir profissionais de saúde para realmente entender o seu potencial de aplicação e impacto nos resultados dos diagnósticos e prognósticos na saúde.
*Eduardo Farina é co-fundador e Head Executivo da Dados e Saúde.
