Com a Revolução 4.0 que está ocorrendo, vários novos conceitos e tecnologias estão sendo incorporados à Medicina e, particularmente, o setor de Diagnóstico por Imagem vem sendo beneficiado. Conceitos como Inteligência Artificial, Machine Learning, Cloud Computing ou Block Chain podem soar como algo distante da nossa realidade, mas, na área de imagem diagnóstica, vêm sendo usados há algum tempo e fazem parte da nossa realidade, devendo evoluir exponencialmente.
Na Radiologia e Diagnóstico por Imagem, o mais inovador demonstra ser Machine Learning ou Aprendizado da Máquina. De forma simplificada, o que ocorre é que, ao analisar os padrões das imagens obtidas sejam em mamografias ou tomografias computadorizadas por exemplo, os próprios robôs, consigam elaborar novos algoritmos que serão traduzidos em novos padrões de imagem.
Os CADs por exemplo – programas que analisam padrões de mamografias ou tomografia, chamados de Computed Aided Diagnosis, depois de um certo número de análises com os padrões habituais identificando tipos de lesões – nódulos, calcificações grosseiras, microcalcificações, padrões de agrupamento, etc, – cria novos padrões, associado aos já existentes ou não concebidos previamente.
É óbvio que, nessa modalidade de aprendizado, a Máquina precisa de uma orientação e uma integração com um analista especializado que deve interpretar o que são impurezas banais ou o que são alterações com significado clínico. Recentemente, o professor Alexandre Xavier Falcão, do Instituto de Computação da Universidade Estadual de Campinas (Unicamp), em palestra apresentada no FAPESP Week France, falou sobre a importância dessa integração homem-máquina.
“O humano é que coordena. Sem o controle do especialista sobre o processo de treinamento, a máquina pode aprender a tomar decisões com base nas características da imagem que não estão relacionadas ao problema-alvo. Isso gera um resultado ruim ou restrito àquela base de dados em que a máquina foi treinada. Quando muda a base de dados, o erro aumenta, consideravelmente, tornando a análise da máquina pouco confiável”, relata Facão, em matéria publicada por Maria Fernanda Ziegler da Agência Lyon, no site da Fapesp.
A estratégia da equipe de Falcão para construir sistemas de tomada de decisão confiáveis tem sido explorar habilidades complementares. “Os humanos são superiores na abstração de conhecimento. Já as máquinas não se cansam e são melhores no processamento de grandes quantidades de dados. Desse modo, o esforço do especialista é minimizado ao controlar o ciclo de aprendizado e as decisões das máquinas passam a ser explicáveis”, disse.
Outra técnica de Machine Learning que tem sido empregada cada vez mais para análise de imagem é o Deep Learning, que visa treinar as máquinas ou sistemas de análise robotizados a aprenderem sozinhas por meio de reconhecimento de padrões e, dessa forma, agirem e interpretarem os resultados obtidos. Tudo isso baseado tanto na análise da base algoritmica apresentada, bem como na reformatação desses algoritmos.
Os avanços nessa área têm possibilitado inovações importantes baseada na análise de imagens, como reconhecimento facial, identificação de corpos celestes e também pode ser aplicado em diagnóstico por imagem como foi destacado pela pesquisadora Nina Hirata, também no evento da FAPESP.
É o futuro chegando na radiologia e a necessidade de nos adaptarmos a tudo isso!
*Omar Taha é médico radiologista, presidente da Unimed Londrina, com pós-graduação no INRAD – FMUSP-SP, MBA em Gestão de Sistemas de Saúde pela FGV – ISAE e treinamento em Desenvolvimento de Cultura da Inovação no MIT – Massachussets Institute of Tecnology em Boston, MA.
