Um dos obstáculos no uso da Inteligência Artificial para diagnóstico médico é a necessidade de treinamento dos algoritmos com imensas quantidades de dados obtidos em diversas instituições, o que pode levantar questões quando à privacidade dos dados dos pacientes.
Um novo modelo de treinamento chamado “aprendizado federado” promete resolver este problema, segundo um estudo publicado nesta terça-feira na revista Scientific Reports por Spyridon Bakas, Ph.D., instrutor de Radiologia, Patologia e Medicina Laboratorial da Escola Perelman de Medicina da Universidade da Pensilvânia.
Neste modelo o treinamento do algoritmo é feito em múltiplos dispositivos ou sistemas descentralizados usando dados locais, sem compartilhá-los. Depois de treinado, o modelo pode ser enviado para um servidor central, onde é compartilhado com outros usuários.
Os vários modelos são então consolidados em um “modelo de consenso”, com o conhecimento de todos os testes. É a mesma técnica usada pelo Google para melhorar as sugestões de digitação em seu teclado para Android, o Gboard.
Imagens obtidas por ressonância magnética foram usadas no treinamento da IA. Foto: iStock
“Quanto mais dados um modelo computacional vê, melhor ele aprende o problema e melhor ele poderá responder à questão para a qual foi projetado”, diz Bakas. “Tradicionalmente o aprendizado de máquina usa dados de uma única instituição, e logo fica aparente que estes modelos não têm bom desempenho nem conseguem generalizar seu conhecimento com dados de outras instituições”.
Um modelo desenvolvido com aprendizado federado precisará ser validado e aprovado pela U.S. Food and Drug Administration (FDA), orgão dos EUA similar à nossa Anvisa e responsável pela regulamentação de medicamentos e tecnologia médica, antes que possa ser oferecido aos médicos como uma ferramenta clínica.
A tecnologia será útil, por exemplo, na detecção de cânceres no cérebro. Segundo Bakas, ela poderá ajudar radiologistas, oncologistas e neurocirurgiões a tomar decisões importantes sobre o tratamento.
Para testar a eficiência do aprendizado federado e compará-lo a outros métodos de aprendizado de máquina, Bakas colaborou com pesquisadores do MD Anderson Cancer Center, na Universidade do Texas, da Universidade de Washington e do Hillman Cancer Center na Universidade de Pittsburgh, na Pennsylvania. A Intel forneceu ao projeto software para proteção da privacidade dos dados.
O estudo começou com um modelo que foi pré-treinado com dados de um repositório Open Source mantido por várias instituições, conhecido como Brain Tumor Segmentation ou BraTS. Este respositório contém mais de 2.600 imagens obtidas de 660 pacientes por ressonância magnética. 10 hospitais também participaram do estudo treinando um modelo de IA com dados de seus próprios pacientes. A aprendizagem federada foi então usada para agregar estes 10 modelos em um consenso.
Os pesquisadores compararam o aprendizado federado com modelos treinados por apenas uma instituição, bem como por outras abordagens de aprendizado colaborativo. A eficácia de cada método foi medida comparando os resultados com exames que foram analisados e anotados manualmente por neurologistas.
Quando comparado a um modelo treinado com dados centralizados que não protegem a privacidade de um paciente, o aprendizado federado teve resultado 99% idêntico. Os resultados também indicam que um maior acesso a dados através de colaborações multi-institucionais que respeitam a privacidade dos pacientes pode trazer benefícios para o desempenho do modelo.
“Estudos mostram que, ao definir os limites de um tumor, os médicos não só têm opiniões divergentes entre si, como o mesmo médico analisando o mesmo exame pode ver limites diferentes entre um dia e outro”, diz Bakas. “A inteligência artificial permite que um médico tenha informações mais precisas sobre onde um tumor começa e termina, o que afeta diretamente o tratamento e prognóstico de um paciente.
Fonte: Medical Xpress
Tags: