Academia Médica
Academia Médica
Você procura por
  • em Publicações
  • em Grupos
  • em Usuários
VOLTAR

Inteligência artificial na Medicina: Equilíbrio entre Tecnologia e Expertise Humana

Inteligência artificial na Medicina: Equilíbrio entre Tecnologia e Expertise Humana
Academia Médica
out. 27 - 5 min de leitura
000
A edição da revista Nature de 24 de outubro de 2023 discutiu a iminente revolução da inteligência artificial na medicina e suas potenciais implicações. O artigo começa destacando Geoffrey Hinton, uma figura no mundo da IA. Em 2018, ele previu que a tecnologia superaria radiologistas na interpretação de imagens médicas, gerando preocupação entre muitos profissionais. Contudo, o cenário atual, conforme delineado pelo artigo, revela-se mais complexo e multifacetado do que se antecipava. É sobre este ponto que refletiremos ao abordar os conteúdos apresentados.

Mais de 500 ferramentas baseadas em IA já foram autorizadas pelo US Food and Drug Administration (FDA) para uso médico, segundo o artigo. A maioria delas voltada para a imagem médica. Surpreendentemente, embora muitos médicos estejam cientes dessas ferramentas, apenas entre 10% e 30% realmente as utilizaram. As razões variam, indo desde um ceticismo cauteloso até uma desconfiança total em relação à eficácia e segurança da tecnologia.

🚩 As Limitações da IA Atual

Apesar de algumas ferramentas de IA oferecerem suporte valioso, como na rápida detecção de problemas em exames, elas também têm suas falhas. Existem relatos de casos em que a IA não identificou corretamente condições graves, como embolia pulmonar. Além disso, muitas dessas ferramentas se concentram em tarefas específicas e não em uma interpretação abrangente de exames, o que limita seu potencial.

🚩 Modelos de IA Generalistas: O Futuro da Medicina?

Há um crescente entusiasmo em torno de uma nova abordagem chamada IA médica generalista. Esses modelos são treinados em vastos conjuntos de dados e podem ser adaptados para várias tarefas. Ao contrário das ferramentas específicas atualmente aprovadas, esses modelos generalistas funcionariam mais como um médico, avaliando cada anormalidade e formulando um diagnóstico.

Grandes empresas de tecnologia, como Google e Microsoft, já estão investindo nesse futuro. Por exemplo, o Google desenvolveu o *REMEDIS - Robust and Efficient Medical Imaging with Self-supervision, um modelo que melhorou a precisão diagnóstica em até 11,5% em comparação com as ferramentas de aprendizado supervisionado tradicionais.

🚩 O Caminho a Seguir

No entanto, mesmo com todos esses avanços, os médicos ainda desempenham um papel insubstituível. A precisão e a habilidade de um radiologista humano por exemplo, ainda são consideradas superiores às dos sistemas de IA de ponta.

O Dr. Jordan Perchik, radiologista da Universidade do Alabama, relata em Nature que a IA poderá desempenhar um papel cada vez maior na radiologia. Porém, em vez de substituir os radiologistas, o foco deve ser treinar os profissionais para utilizar a IA de maneira eficaz e segura.

Em resumo, enquanto a IA oferece um enorme potencial na medicina, ainda há desafios significativos a serem superados. A colaboração entre humanos e máquinas, com cada um complementando as capacidades do outro, parece ser o caminho mais promissor para o futuro da medicina.



🚀* Sobre a Tecnologia REMEDIS:

Conforme Azizi, S., Culp, L., Freyberg, J. et al. (2023) o REMEDIS - Robust and Efficient Medical Imaging with Self-supervision,  é uma estratégia inovadora de aprendizado de representação para modelos de machine learning aplicados a tarefas de imagem médica. Sua principal força está em mitigar problemas de desempenho quando os modelos enfrentam cenários que diferem daqueles encontrados em seu conjunto de treinamento.

Esta estratégia combina aprendizado supervisionado em grande escala em imagens naturais com aprendizado auto-supervisionado contrastivo em imagens médicas. Notavelmente, REMEDIS exige uma personalização mínima para tarefas específicas.

Em testes abrangendo seis domínios de imagens e 15 conjuntos de dados, REMEDIS elevou a precisão diagnóstica em até 11,5% em comparação com os modelos de base supervisionados. Além disso, em cenários fora da distribuição, REMEDIS demonstrou ser eficiente, precisando de apenas 1-33% dos dados para o re-treinamento, para igualar o desempenho de modelos supervisionados re-treinados com todos os dados disponíveis.

Esse portanto, é um dos mais diversos exemplos de tecnologia, que poderão revolucionar o ciclo de desenvolvimento de modelos de machine learning na área de imagem médica.


Estar atualizado sobre as últimas descobertas e inovações nas ciências médicas faz sentido pra você? Se sim, inscreva-se em nossa newsletter e receba nossos conteúdos diretamente em sua caixa de e-mail!



Leia também: 




Referências:

  • Azizi, S., Culp, L., Freyberg, J. et al. Robust and data-efficient generalization of self-supervised machine learning for diagnostic imaging. Nat. Biomed. Eng 7, 756–779 (2023). https://doi.org/10.1038/s41551-023-01049-7

Denunciar publicação
    000

    Indicados para você