Um artigo aprofundado realizado por uma equipa de investigadores de IA da Google publicado na revista científica Nature conclui que, através de machine learning é possível detetar radiografias de tórax anormais com o mesmo rigor e precisão que a análise de radiologistas profissionais.
Segundo os especialistas, este sistema de machine learning para além de ajudar na análise das radiografias de tórax, pode ainda ajudar os profissionais de saúde a priorizar os raios-X e excluir casos normais, acelerando o processo clínico e ainda servir como uma ferramenta de primeira resposta em ambientes de emergência caso os radiologistas não estejam disponíveis. Assim, apesar de este recurso se apresentar como uma solução eficaz e contribuir para o aumento da produtividade, a equipa de IA da Google alerta que este sistema não substitui os profissionais de saúde.
O artigo demonstra os avanços da comunidade de pesquisa de IA de modo a reduzir os riscos destes modelos e que possam criar trabalhos desenvolvidos no futuro. O estudo demonstra ainda grandes avanços na análise de raios-X com base em IA. Contudo, a equipa avisa para o facto de estes modelos estarem treinados para tarefas mais restritas, com por exemplo encontrar vestígios de uma doença. Este problema faz com que o sistema só seja útil nos casos em que o médico sabe o que procurar.
“A ampla extensão de possíveis anormalidades CXR [radiografias de tórax] torna impraticável detetar todas as condições possíveis através da construção de vários sistemas separados, cada um dos quais deteta uma ou mais condições pré-especificadas”, escrevem os investigadores de IA do Google no artigo .
“Um sistema de IA confiável que distinga CXRs normais de anormais pode contribuir para a avaliação e gerenciamento do paciente”, frisaram os investigadores.
Os investigadores da Google não adiantaram detalhes sobre o modelo utilizado. Contudo, o artigo menciona a EfficientNet, uma família de redes neurais convulsionais (CNN), conhecida pela sua precisão em tarefas de visão computacional. Os pesquisadores utilizaram o modelo B7 da família EfficientNet, composto por 66 milhões de parâmetros, para detetar as anormalidades de raios-X.
A equipa da Google utilizou um intensivo conjunto de dados para treinar e testar o sistema, para que este possam avaliar cada situação com precisão, utilizando mais de 250 00 raios-X de cinco hospitais diferentes na Índia. Os exemplos foram rotulados como “normais” ou “anormais”. Para garantir que os resultados fossem generalizados independentemente da zona geográfica, a equipa testou o modelo com radiografias de hospitais na índia, China e Estados Unidos.
Os resultados foram disponibilizados para o público para que possam servir de base para o desenvolvimento de futuros estudos. “Para facilitar o desenvolvimento contínuo de modelos de IA para radiografia de tórax, vamos divulgar os nossos rótulos anormais versus normais de três radiologistas (2430 rótulos em 810 imagens) para o conjunto de teste CXR-14 disponível ao público. Acreditamos que será útil para trabalhos futuros porque a qualidade do rótulo é de extrema importância para qualquer estudo de IA na área da saúde”, escreveram os investigadores.
Assim, os cientistas reforçam que, independentemente do ambiente, o “sistema pode ajudar a priorizar CXRs anormais para uma interpretação rápida do radiologista”.
