Como o Deep Learning está mudando os cuidados de saúde Parte 1: Diagnóstico

A IA está pronta para causar um impacto profundo e duradouro na saúde, impulsionada por três tendências poderosas:

1. As Unidades de Processamento Gráfico (GPUs) estão ficando mais rápidas e mais eficientes em termos de energia.

Até recentemente, a execução de algoritmos de IA raramente era econômica.

2. Os algoritmos estão ficando mais sofisticados.

Como agora podemos usar modelos de aprendizado profundo por uma fração dos custos anteriores, a inovação está explodindo.

3. Os dados de saúde são abundantes.

Graças aos EHRs e outros esforços de digitalização, temos mais dados de saúde para treinar algoritmos do que nunca.

Alguns anos atrás, menos de duas dúzias de startups de IA estavam focadas em saúde, de acordo com a CB Insights. Hoje, existem mais de 100 startups de IA relacionadas à saúde.

Isso deixou muitos médicos coçando a cabeça sobre como podem se preparar para o que está por vir amanhã, hoje. Aqui estão as maneiras pelas quais o aprendizado profundo está mudando a saúde no momento e uma dica sobre como comprar o hardware certo para se preparar para a próxima revolução da IA.

Visão geral da terminologia

Glossário de termos de IA (via Fortune)

Diagnósticos mais rápidos e precisos por meio de aprendizado profundo

Quando você pensa sobre isso, diagnosticar doenças é a tarefa perfeita para a inteligência artificial. O aprendizado profundo é sobre identificar padrões conectando os pontos.

Considere um cachorro. Componentes: peludo, dois olhos, quatro patas, uma cauda. Menor que um humano, maior que um gato. Um algoritmo de aprendizado profundo “aprende” – ao longo de muitos ciclos de entrada de dados, análise e teste – o que cada um é e pode então identificar um cão a partir de suas partes constituintes.

No caso de doença, os pontos são os sintomas e distúrbios relacionados. Tosse, espirros, dor de garganta: deve ser um resfriado.

Os algoritmos de aprendizado profundo ficam melhores no diagnóstico da mesma maneira que os médicos: com a prática. Como um médico, o algoritmo faz um palpite e descobre se estava correto ou não com base na resposta do paciente ao tratamento ou no desenvolvimento de novos sintomas indicando que o diagnóstico inicial estava errado. Esta informação é alimentada no algoritmo através de dados EHR.

Como uma rede neural profunda aprende (via Fortune)

Uma diferença importante entre um médico e um algoritmo de aprendizado profundo é que um médico precisa dormir. Depois de treinar um algoritmo, ele pode funcionar (e melhorar) continuamente.

Um médico verá e aprenderá com milhares de imagens de ressonância magnética em sua vida. Um algoritmo poderia ver trilhões. Como todos os humanos, os médicos são propensos a erros. Com a IA, não há risco de doença, cansaço ou preocupação. Não praticará medicina defensiva nem ficará preso em seus caminhos.

Como é isso na prática?

O aprendizado de máquina já pode determinar se as lesões de pele são cancerígenas com a mesma precisão de um dermatologista certificado pelo conselho, conforme demonstrado por cientistas da Universidade de Stanford no início deste ano.

Quando o colega de quarto de Hossam Haick foi diagnosticado com leucemia, ele se inspirou para criar um sensor para tratar o câncer. “Mas então percebi que o diagnóstico precoce poderia ser tão importante quanto o próprio tratamento”, disse Haick ao New York Times. Então ele construiu uma máquina que usa inteligência artificial para aprender como são as diferentes doenças. A cada cheirada, o algoritmo se torna mais preciso. Em dezembro passado, foi capaz de identificar 17 doenças diferentes com até 86% de precisão.

A Enlitic usa aprendizado profundo para detectar nódulos pulmonares em radiografias e tomografias computadorizadas e ressonâncias magnéticas e determinar se são benignos ou malignos. O CEO Igor Barani, ex-professor de oncologia de radiação da Universidade da Califórnia em San Francisco, afirma que os algoritmos da Enlitic superaram quatro radiologistas em testes. Barani disse ao Médico Futurista:

“Até recentemente, os programas de computador de diagnóstico eram escritos usando uma série de suposições predefinidas sobre características específicas da doença. Um programa especializado teve que ser projetado para cada parte do corpo e apenas um conjunto limitado de doenças pôde ser identificado, impedindo sua flexibilidade e escalabilidade. Os programas muitas vezes simplificaram demais a realidade, resultando em um desempenho diagnóstico ruim e, portanto, nunca alcançaram ampla adoção clínica. Em contraste, o aprendizado profundo pode lidar prontamente com um amplo espectro de doenças em todo o corpo e todas as modalidades de imagem (raios-X, tomografia computadorizada etc.).”

O Freenome usa o aprendizado profundo para encontrar câncer em amostras de sangue ou, mais especificamente, nos fragmentos de DNA que as células do sangue emitem à medida que morrem. A empresa de capital de risco Andreessen Horowitz enviou à empresa cinco amostras de sangue para análise como um teste de pré-investimento. A empresa prosseguiu com seu investimento depois que a Freenome identificou todos os cinco — dois normais e três cancerosos — corretamente. O fundador Gabriel Otte disse à Fortune que seu algoritmo de aprendizado profundo está detectando assinaturas de câncer que os biólogos do câncer ainda precisam caracterizar.

Em maio, o fundador e CEO da Babylon Health, Ali Parsa, disse ao programa de tecnologia online “Hot Topics” que sua equipe havia submetido recentemente o primeiro sistema de triagem clínica com inteligência artificial do mundo a testes acadêmicos, durante os quais seu sistema provou ser 13% mais preciso do que um médico. e 17% mais preciso do que uma enfermeira.

Quão realista é a implementação?

Embora o aprendizado de máquina esteja rapidamente se tornando uma maneira melhor de diagnosticar doenças, ele só se tornou mais viável para uso universal muito recentemente. Antes de agora, era simplesmente muito caro para implementar de forma generalizada.

Graças aos processadores mais novos que rodam mais rápido do que nunca e exigem menos energia, o aprendizado de máquina está avançando em um ritmo mais rápido e acessível.

Como Para observa no vídeo acima, dez anos atrás, olhar para cada parte do seu corpo para encontrar e diagnosticar doenças custava um milhão de dólares. Hoje, esse custo caiu para US$ 10.000 e inclui o sequenciamento de genes.

Uma empresa de imagens médicas obteve a aprovação da FDA para vender software com inteligência artificial para médicos. Em janeiro, a Arterys obteve o aval para seu “DeepVentricle”, um algoritmo de aprendizado profundo que pode calcular a capacidade cardíaca de um paciente com a mesma precisão de um médico em menos de 30 segundos. Por outro lado, analisar imagens de ressonância magnética para concluir os cálculos manualmente leva cerca de uma hora.

A engenheira biomédica e professora Cristina Davis prevê que, dentro de três a cinco anos, os médicos terão acesso a algoritmos de aprendizado profundo para auxiliar no diagnóstico.

Prepare-se para o aprendizado profundo com o hardware certo

Grande parte do aumento do poder computacional desde o final dos anos 2000 se deve aos chips projetados pela Nvidia para aumentar o realismo visual dos videogames. O uso de unidades de processamento gráfico (GPUs) para aprendizado profundo acabou sendo 20 a 50 vezes mais eficiente do que o uso de unidades de processamento central (CPUs).

Em agosto de 2016, a Nvidia anunciou que sua receita trimestral mais que dobrou ano após ano para seu segmento de data center, atingindo US$ 151 milhões. A CFO Colette Kress disse aos investidores que “a grande maioria do crescimento vem de longe do aprendizado profundo”.

Em 2016, a Intel comprou as startups de aprendizado profundoNervana Systems e Movidius, enquanto o Google apresentou unidades de processamento tensor (TPUs) projetadas especificamente para facilitar o aprendizado profundo.

Hoje, a Nvidia está mirando na indústria médica. O gerente de desenvolvimento de negócios da empresa, Kimberley Powell, quer ver os processadores da Nvidia usados ​​para atender à necessidade de análise de aprendizado profundo de imagens médicas.

O Futurism relata que “o hardware da Nvidia estabeleceu seu papel silencioso, mas proeminente no casamento do aprendizado profundo com a medicina”. A empresa está construindo computadores poderosos projetados para executar com rapidez e eficiência os cálculos que podem tornar o diagnóstico mais rápido e preciso. Powell espera instalar o DGX-1 da Nvidia em hospitais e centros de pesquisa médica em todo o mundo.

Alguns hospitais, como o novo centro de ciência de dados clínicos do Massachusetts General Hospital, já estão usando esse novo hardware para a saúde da população, comparando os resultados dos testes dos pacientes e o histórico médico para identificar correlações nos dados.

Conclusão

As redes neurais profundas estão mudando a maneira como os médicos diagnosticam doenças, tornando os diagnósticos mais rápidos, baratos e precisos do que nunca. Aproveitar esses avanços requer certas etapas preparatórias, como atualizar seu hardware.

Quando estiver pronto para atualizar, certifique-se de investir em sistemas que possam lidar com os requisitos computacionais de aprendizado profundo e saúde da população.

Na próxima semana, discutiremos outra maneira pela qual o aprendizado profundo está mudando a saúde: a prevenção de doenças. Também falaremos sobre o gerenciamento de prática médica e o software de EHR que você precisará para começar a usar o aprendizado profundo em sua prática.

Para saber mais sobre IA e saúde, confira estas postagens:

• O que é Medicina de Precisão? Uma introdução simples para médicos confusos
• 5 startups de IA de saúde para pequenas e médias empresas conhecerem
• 5 maneiras pelas quais a inteligência artificial está impactando a telessaúde