Na vanguarda da inovação biomédica, pesquisadores do MIT, do Broad Institute of MIT and Harvard, e do Massachusetts General Hospital desenvolveram uma ferramenta de inteligência artificial chamada Tyche, que promete transformar a segmentação de imagens médicas ao abordar um aspecto crucial frequentemente negligenciado: a incerteza. A segmentação biomédica, que envolve a anotação de pixels em estruturas importantes de uma imagem médica, como órgãos ou células, é fundamental para diagnosticar e monitorar doenças. Tradicionalmente, os modelos de IA fornecem uma única solução para essas segmentações, mas a realidade clínica é frequentemente mais complexa, com diferentes especialistas oferecendo interpretações variadas.
Marianne Rakic, candidata a Ph.D. em ciência da computação no MIT e autora principal do estudo, destaca a importância de capturar essa incerteza: "Ter opções pode ajudar na tomada de decisões. Mesmo apenas perceber que existe incerteza em uma imagem médica pode influenciar as decisões de alguém, então é crucial levar isso em conta."
O sistema Tyche é notável por sua capacidade de fornecer múltiplas segmentações plausíveis que destacam diferentes áreas de uma imagem médica, permitindo que os usuários escolham a mais apropriada para suas necessidades sem a necessidade de re-treinamento para novas tarefas de segmentação. Essa característica torna Tyche particularmente acessível para clínicos e pesquisadores biomédicos, que podem utilizá-lo "pronto para uso" em uma variedade de tarefas, desde a identificação de lesões em um raio-X do pulmão até a detecção de anomalias em uma ressonância magnética cerebral.
O professor Adrian Dalca, coautor sênior do estudo e pesquisador no Laboratório de Ciência da Computação e Inteligência Artificial do MIT e na Harvard Medical School, ressalta a importância de enfrentar a ambiguidade em diagnósticos médicos: "Se seu modelo completamente ignora um nódulo que três especialistas dizem estar lá e dois não, isso provavelmente é algo que você deveria prestar atenção."
Tyche será apresentado por Rakic na Conferência IEEE sobre Visão Computacional e Reconhecimento de Padrões, onde foi selecionado como um destaque. A equipe de pesquisa, que inclui Hallee Wong, Jose Javier Gonzalez Ortiz, Beth Cimini e John Guttag, continua a explorar métodos para melhorar as previsões menos precisas de Tyche e ampliar o sistema para recomendar os melhores candidatos de segmentação.
Este avanço representa um passo significativo na maneira como a incerteza é tratada em ferramentas de IA para a saúde, prometendo melhorar o diagnóstico e auxiliar na pesquisa biomédica ao chamar a atenção para informações potencialmente cruciais que outras ferramentas de IA poderiam perder.
Referência:
Medical Xpress. (2024, April 11). New AI method captures uncertainty in medical images. Retrieved from https://medicalxpress.com/news/2024-04-ai-method-captures-uncertainty-medical.html