INTELIGÊNCIA ARTIFICIAL EM OFTALMOLOGIA: UMA ABORDAGEM VOLTADA PARA A PRÁTICA CLÍNICA DIÁRIA

• Introdução

Na década de 1990, com o surgimento da medicina baseada em evidência, houve uma mudança de paradigma no diagnóstico médico. Com a inclusão de dados de epidemiologia clínica no processo de decisão profissional, transformou-se o que antes — desde a organização da ciência por Hipócrates — pautava-se na semiologia e na propedêutica, exclusivamente.1

A partir desse período, revistas científicas, livros e congressos médicos difundiram termos estatísticos como acurácia, sensibilidade, especificidade, valor preditivo positivo, razão de verossimilhança, odds ratio, risco relativo, número necessário para tratar, entre outros. Foi necessário se adequar a essa nova medicina, cada vez mais precisa, tanto no âmbito da pesquisa quanto no ofício diário frente ao paciente.1

Nos últimos anos, uma nova revolução está acontecendo, a inclusão da inteligência artificial (IAinteligência artificial) na área da saúde. É crescente a necessidade de aprender a lidar com novas ferramentas, entender seus conceitos, suas métricas, aplicações e limitações. Em diversas atividades diárias, desde o uso de um aplicativo de global positioning system (GPS), de tradução de texto ou em uma simples busca por termos em um navegador da web, já existem IAinteligência artificials inseridas.2

Novas aplicações também surgem no âmbito da oftalmologia, como o IDx-DR, a primeira ferramenta diagnóstica automatizada autorizada pela Food and Drug Administration (FDAFood and Drug Administration) a executar a predição de retinopatia diabética por meio de retinografias.2

A IAinteligência artificial foi conceituada em 1956, após um workshop de McCarthy e colaboradores3 no Dartmouth College, e o termo machine learning (MLmachine learning) foi posteriormente usado por Arthur Samuel, em 1959, que afirmou que o “computador deve ter a capacidade de aprender usando várias técnicas estatísticas, sem ser explicitamente programado”.4

A partir do uso do MLmachine learning, o algoritmo pode aprender e fazer previsões com base nos dados que foram alimentados na fase de treinamento, utilizando um método de abordagem supervisionada ou não supervisionada. O MLmachine learning foi amplamente adotado em aplicações como visão computacional e análise preditiva usando modelos matemáticos complexos.

Com o advento das unidades de processamento gráfico (GPUunidade de processamento gráficos), os avanços nos modelos matemáticos, a disponibilidade de grandes conjuntos de dados e sensores de baixo custo, as técnicas de aprendizado profundo — deep learning (DLdeep learning) — posteriormente despertaram um grande interesse e foram aplicadas em muitos setores.5

Assim, com o auxílio de IAinteligência artificial, os profissionais podem diminuir os custos com atendimentos especializados, além do benefício do compartilhamento na utilização dos sistemas de informação, visto que os dados gerados pelos atendimentos dos pacientes podem ser agregados e organizados, produzindo um contexto que apoiará também a tomada de decisões em relação ao tratamento do paciente, o que gera ainda mais impacto na redução dos custos na área da saúde.5,6

A IAinteligência artificial oferece um farol de esperança para melhorar lacunas inerentes aos cuidados de saúde operados por seres humanos, incluindo erros de diagnóstico, desperdício de recursos e tempo insuficiente entre médico e paciente, resultado do desequilíbrio entre demanda e oferta.5

Os avanços na IAinteligência artificial têm o potencial de criar wavefronts por meio das vias de teleoftalmologia nos serviços nacionais de saúde. O reconhecimento automatizado de imagens permite que os computadores analisem e processem as imagens da retina e, subsequentemente, distingam lesões por meio de escalas de diretrizes previamente aprendidas pelo algoritmo de IAinteligência artificial. Há uma promessa de que a conexão entre IAinteligência artificial e teleoftalmologia fortalecerá os padrões de referência e melhorará o atendimento ao paciente.5

A IAinteligência artificial envolve DLdeep learning por meio de conjuntos de dados sem programação explícita, e o DLdeep learning envolve autotreinamento adicional usando “redes neurais artificiais”. O DLdeep learning envolve a identificação de uma correlação entre dados em grandes redes neurais nos conjuntos de dados.7

No contexto de especialidades baseadas em imagens, como a oftalmologia, as redes neurais convolucionais utilizam dados rotulados para reconhecer padrões, com evidências publicadas de suas capacidades para retinopatia diabética, glaucoma, retinopatia da prematuridade e degeneração macular relacionada à idade (DMRIdegeneração macular relacionada à idade) e até mesmo analisando a sua aplicação clínica na triagem de catarata.7

• Objetivos

Ao final da leitura deste capítulo, o leitor será capaz de

 

• reconhecer o conceito de IAinteligência artificial e suas variedades;
• analisar a aplicabilidade de uma IAinteligência artificial na prática clínica diária;
• identificar as limitações das ferramentas de IAinteligência artificial inerentes às suas características.

• Esquema conceitual

• Conceitos

No MLmachine learning, a máquina cria seus próprios algoritmos “aprendendo” as associações entre a entrada e a saída. Uma série de técnicas analíticas pode ser incorporada no MLmachine learning. Eentre elas, as redes neurais artificiais são um exemplo comum. Em essência, a máquina recebe uma entrada (p. ex., uma imagem com recursos previamente identificados por métodos tradicionais), processa essas informações e produz a saída (p. ex., o diagnóstico).8,9

O DLdeep learning é um subconjunto do MLmachine learning, em que a rede neural artificial simples é expandida para incluir muitas camadas ocultas entre as camadas de entrada e saída, e isso é chamado de rede neural convolucional, que permite uma avaliação mais complexa da entrada. O aprendizado pode ainda ser classificado em aprendizado supervisionado, semissupervisionado e não supervisionado. Isso permite que o sistema de DLdeep learning detecte alterações (p. ex., doenças) por conta própria, as quais podem não ser visíveis ao olho humano ou conhecidas por especialistas.10

O DLdeep learning utiliza várias camadas de processamento para aprender a representar dados com vários níveis de abstração. As abordagens de DLdeep learning usam imagens completas e associam a imagem inteira a uma saída de diagnóstico, eliminando assim o uso de recursos de imagem “projetados à mão”. Com desempenho aprimorado, o DLdeep learning agora é amplamente usado no reconhecimento de imagens, no reconhecimento de fala e no processamento de linguagem natural.10

A IAinteligência artificial é classificada como um “software de um dispositivo médico”, e, nessa condição, é avaliada pela FDAFood and Drug Administration por meio do seu programa de pré-certificação. Não é surpresa que a única aplicação real de IAinteligência artificial na prática clínica em oftalmologia continue sendo o sistema IDx-DR, nos Estados Unidos.10

Um número elevado de pesquisas acadêmicas tem demonstrado as várias aplicações da IAinteligência artificial na área da saúde, incluindo algoritmos para interpretar radiografias de tórax, detectar câncer em mamografias, identificar tumores cerebrais em imagens de ressonância magnética e prever o desenvolvimento da doença de Alzheimer a partir da tomografia por emissão de pósitrons.10

Aplicações à IAinteligência artificial também foram demonstradas na área da patologia, como também na identificação de lesões cutâneas com alta suspeição de neoplasia maligna, na interpretação de imagens da retina, na detecção de arritmias ao eletrocardiograma (ECG) e até na identificação de hipercalemia, também por ECG.10

Além disso, a IAinteligência artificial ajudou na detecção de pólipos colônicos a partir do exame de colonoscopia, na melhoria da interpretação genômica, no auxílio na identificação de condições genéticas da aparência facial e na avaliação da qualidade do embrião para maximizar o sucesso da fertilização in vitro.10

 

1. Observe as afirmativas sobre a IAinteligência artificial na área de saúde.

I — O IDx-DR é a primeira ferramenta aprovada pelo FDAFood and Drug Administration na área da oftalmologia.

II — O MLmachine learning é um modelo muito adotado por aprender e fazer previsões com base em dados.

III — As técnicas de DLdeep learning foram apresentadas em 1956 e referem-se ao uso de estatísticas.

IV — A IAinteligência artificial pode diminuir custos com atendimentos especializados.

Quais estão corretas?

 

A) Apenas a I e a IV.

B) Apenas a I, a II e a III.

C) Apenas a II e a III.

D) Apenas a I, a II e a IV.

 

2. Como wavefronts podem favorecer a teleoftalmologia?

 

3. Sobre o MLmachine learning, assinale V (verdadeiro) ou F (falso).

(  ) É um software que pode reproduzir funções cognitivas, como aprendizado e resolução de problemas.

(  ) É o método comumente utilizado no desenvolvimento de sistemas de diagnóstico automatizado.

(  ) Pode incorporar técnicas como redes neurais artificiais.

(  ) Utiliza várias camadas de processamento para representar dados com diversos níveis de abstração.

Assinale a alternativa que apresenta a sequência correta.

 

A) F — V — V — F.

B) V — V — F — F.

C) F — V — F — V.

D) F — F — V — V.

 

4. Qual é a técnica de IAinteligência artificial utilizada no DLdeep learning?

A) Locked box.

B) MLmachine learning.

C) Redes neurais artificiais.

D) IDx-DR.

 

5. Em que consiste o conceito de locked box?