As condições da pele estão entre os tipos mais comuns de doenças em todo o mundo, logo atrás de resfriados, fadiga e dores de cabeça. De fato, estima-se que 25% de todos os tratamentos fornecidos a pacientes em todo o mundo sejam para doenças da pele. Além disso, até 37% dos pacientes atendidos em clínica tinham pelo menos uma queixa sobre a pele. O Google resolveu criar um modelo de IA para ajudar nessa área.
Novo sistema de IA do Google
A enorme carga de trabalho de casos e a escassez global de dermatologistas forçaram os pacientes a procurar médicos de clínica geral. Porém, estes tendem a ser menos precisos que os especialistas quando se trata de identificar doenças. Essa tendência motivou os pesquisadores do Google a investigar um sistema de Inteligência Artificial (IA) capaz de detectar os distúrbios dermatológicos mais comuns observados na atenção primária. Em um artigo (“Um Sistema de Deep Learning para Diagnóstico Diferencial de Dermatopatias“) e uma publicação em um blog, eles relatam que ele alcança precisão em 26 condições de pele quando apresentadas com imagens e metadados sobre um caso de um paciente. Dessa forma, afirma-se que está em pé de igualdade com dermatologistas certificados nos EUA.
O engenheiro de software do Google, Yuan Liu, e a gerente de programas técnicos do Google Health, Peggy Bui, escreveram:
Desenvolvemos um sistema de deep learning (DLS, sigla em inglês) para lidar com as doenças de pele mais comuns observadas na atenção básica. Este estudo destaca o potencial do DLS para aumentar a capacidade dos clínicos gerais que não tiveram treinamento especializado adicional para diagnosticar com precisão as doenças da pele.
Ainda mais, como Liu e Bui explicaram, os dermatologistas não fornecem apenas um diagnóstico para qualquer condição da pele. Mais do que isso, eles geram uma lista classificada de possíveis diagnósticos (diagnósticos diferenciais) a serem sistematicamente reduzidos por testes laboratoriais, imagens, procedimentos e consultas subsequentes. O mesmo acontece com o sistema dos pesquisadores do Google. Ele processa entradas que incluem uma ou mais imagens clínicas da anormalidade da pele. Igualmente, ele aborda até 45 tipos de metadados (por exemplo, componentes autorreferidos do histórico médico, como idade, sexo e sintomas).
Como foi o teste do modelo de IA do Google
A equipe de pesquisa diz que avaliou o modelo com 17.777 casos não identificados de 17 clínicas de atenção primária em dois estados. Eles bifurcaram o corpo e usaram a parte dos registros datados entre 2010 e 2017 para treinar o sistema de IA. Logo depois, reservaram a parte de 2017 a 2018 para avaliação. Durante o treinamento, o modelo utilizou mais de 50.000 diagnósticos diferenciais fornecidos por mais de 40 dermatologistas.
Em um teste da precisão do diagnóstico do sistema, os pesquisadores compilaram diagnósticos de três dermatologistas certificados pelos conselhos dos EUA. Pouco mais de 3.750 casos foram agregados para derivar os rótulos de verdade. Além disso, a lista classificada de condições de pele do sistema de IA alcançou entre 71% e 93% de precisão. Igualmente, quando o sistema foi comparado com três categorias de médicos (dermatologistas, médicos de cuidados primários e enfermeiros) em um subconjunto do grupo de dados de validação, a equipe relata que suas três principais previsões demonstraram uma precisão diagnóstica de 75% comparável aos dermatologistas e “substancialmente mais altos” do que os médicos da atenção primária (60%) e enfermeiros (55%).
Características do treinamento da IA
Por fim, para avaliar o potencial viés em relação ao tipo de pele, a equipe testou o desempenho do sistema de IA com base no tipo de pele Fitzpatrick, uma escala que varia do tipo I (“branco pálido, sempre queima, nunca bronzeia”) ao tipo VI (“marrom mais escuro, nunca queima”).
Os pesquisadores creditam a presença de metadados no corpo de treinamento com a precisão geral do sistema e afirmam que os resultados sugerem que sua abordagem pode “ajudar os médicos a pensar… a considerar possibilidades” que não estavam originalmente em seus diagnósticos diferenciais. No entanto, eles observam que seu corpo de treinamento foi retirado apenas de um serviço de teledermatologia; que alguns tipos de pele Fitzpatrick eram muito raros em seu conjunto de dados para permitir treinamento ou análise significativos. Além disso, o conjunto de dados não detectou com precisão algumas condições da pele, como melanoma, devido à falta de amostras de dados disponíveis.
Liu e Bui escreveram:
Acreditamos que essas limitações podem ser resolvidas com a inclusão de mais casos de câncer de pele comprovados por biópsia nos conjuntos de treinamento e validação. O sucesso do deep learning para informar o diagnóstico diferencial de doenças de pele é altamente encorajador por causa do potencial dessa ferramenta em auxiliar os médicos. Por exemplo, esse DLS pode ajudar na triagem de casos para orientar a priorização do atendimento clínico ou ajudar não dermatologistas a iniciar o tratamento dermatológico com mais precisão e potencialmente melhorar o acesso [ao atendimento].
Se gostou deste artigo sobre a IA do Google, não deixe de compartilhar!
Fonte: Venture Beat
Leia também: Google analisa como a IA pode melhor servir a humanidade
