Em meio ao cenário contemporâneo da medicina, a Inteligência Artificial (IA) está se estabelecendo como uma nova ferramenta, particularmente no diagnóstico de câncer de pele, onde a precisão é vital para os resultados de tratamento. Nessa área em constante evolução, a Aprendizagem por Reforço (RL) na IA, que incorpora critérios de tomada de decisão humana, vem mostrando um potencial para aprimorar a precisão diagnóstica.
Um exemplo notável de progresso nesse campo é um estudo conduzido pelo Dr. Harald Kittler, em colaboração com outros pesquisadores da Universidade Médica de Viena. Publicado na Nature Medicine em 27 de julho de 2023, a pesquisa liderada por Kittler emprega esse modelo de RL e demonstra um aumento de 12% na taxa de diagnósticos corretos realizados por dermatologistas.
No cerne do estudo, os pesquisadores adotaram um sistema de "recompensas" e "penalidades", inspirado na maneira como as decisões humanas são formadas ao avaliar benefícios e riscos. Para adaptar isso a um ambiente de IA, eles criaram tabelas detalhadas, desenvolvidas por especialistas, que representam os variados resultados possíveis de um diagnóstico e suas respectivas implicações. Essas tabelas foram então integradas ao sistema de IA. A IA "recompensa" ou "penaliza" cada diagnóstico com pontos, baseando-se no impacto real do diagnóstico para o paciente - seja o resultado positivo ou negativo. Esse método fornece um meio para a IA compreender e considerar as implicações reais de seus diagnósticos, em vez de apenas categorizá-los como certos ou errados.
Figura: Predição de gestão do modelo RL.
Nature Medicine (Nat Med) ISSN 1546-170X (online) ISSN 1078-8956 (print)
Ao implementar essa abordagem, a IA aprendeu a considerar não apenas características baseadas em imagens, mas também as implicações de um diagnóstico errôneo ao avaliar manifestações cutâneas benignas e malignas. Isso levou a melhorias significativas na sensibilidade para o diagnóstico de melanoma e carcinoma basocelular, passando de 61,4% para 79,5% (IC 95%: 73,5–85,6%) e de 79,4% para 87,1% (IC 95%: 80,3–93,9%), respectivamente.
A aplicação do modelo de RL se mostrou eficaz na mitigação da superconfiança da IA em suas próprias previsões, incentivando uma abordagem mais ponderada e alinhada ao raciocínio humano. O impacto disso foi significativo: houve um aumento na taxa de diagnósticos corretos feitos por dermatologistas de 12,0% (IC 95%: 8,8–15,1%) e um aprimoramento na taxa de decisões de gerenciamento otimizadas, de 57,4% para 65,3% (IC 95%: 61,7–68,9%).
Foi constatado que o modelo de RL, levando em conta as recompensas, bem como um modelo que estabelece limites claros para a tomada de decisões, superou o método de aprendizagem supervisionada, que é o mais comumente utilizado na IA. Essa superioridade foi evidenciada em uma série de cenários clínicos, ressaltando a flexibilidade e eficácia da RL. Em outras palavras, esses modelos não apenas tiveram um desempenho melhor, como também se mostraram mais adaptáveis, indicando um grande potencial para serem aplicados em diferentes situações na medicina.
Portanto, este estudo demonstra que a incorporação de critérios humanos em algoritmos de diagnóstico baseados em imagens pode trazer um impacto positivo significativo, não apenas para o diagnóstico de câncer de pele, mas também para várias outras áreas da medicina. Ao utilizar a Inteligência Artificial (IA) e a Aprendizagem por Reforço (RL), a abordagem proposta se destaca por seu potencial de aprimorar a assistência à saúde. Trata-se de uma ferramenta complementar, que oferece diagnósticos mais precisos e sugestões de tratamentos personalizados que refletem o raciocínio e as decisões humanas
Para mais informações sobre as tecnologias e os métodos empregados neste estudo, você pode acessar a pesquisa completa por meio deste link. Encorajamos a leitura para uma compreensão mais aprofundada deste avanço significativo no diagnóstico de câncer de pele com o auxílio da Inteligência Artificial.
Leia também:
Referências:
-
Medical Xpress. (2023, July 27). Exploring the use of AI in skin cancer diagnosis. https://medicalxpress.com/news/2023-07-skin-cancer-diagnosis-exploring-ai.html
- Barata, C., Rotemberg, V., Codella, N.C.F. et al. A reinforcement learning model for AI-based decision support in skin cancer. Nat Med (2023). https://doi.org/10.1038/s41591-023-02475-5