OPINIÃO

Reconhecimento de imagens: Um novo aliado do diagnóstico Digital na Medicina

Por Eduardo Prado, Dr. Jorge Leonid Aching Samatelo [ii], Dr. Patrick Marques Ciarelli [iii] e Dr. Wilian Hiroshi Hisatugu [iv]
01/03/2016 ... Convergência Digital

De “hoje” em diante cada vez mais a Medicina será “Orientada a Dados” [1], [2] e [3].

Um componente importante na “pavimentação” do caminho da Medicina para sua “Orientação a Dados” é a Inteligência Artificial (AI = “Artificial Intelligence”) [4]. A AI vai representar um grande “boom” de oportunidades na saúde nos próximos anos segundo a avaliação do analista de indústria Frost & Sullivan. O uso de AI na Saúde vai crescer 10 vezes nos próximos cinco anos em várias áreas da Saúde, desde o diagnóstico de câncer até dicas de dietas. Esse “boom” vai representar um crescimento de mercado de 600 MUS$ em 2014 para 6 BUS$ em 2021 [5] e [6].

Um dos componentes da AI é a tecnologia conhecida como “Machine Learning” [7] (ou Aprendizagem de Máquina). Outros componentes adicionais de AI são: Visão Computacional, Processamento de Linguagem Natural, Robótica e Reconhecimento de Fala [8].

Um componente expressivo da “Machine Learning” é a tecnologia de “data analytics” ou big data [9]. A tecnologia de big data está trazendo inteligência e inovação para a área de Saúde [10]. Essa tecnologia terá uma grande oportunidade de transformar o tratamento do câncer nos próximos anos [11]. A tecnologia big data é o “enabler” – segundo Lloyd Minor médico de Stanford - da medicina de precisão [12] (ou medicina personalizada) que está sendo considerada entre os médicos e pesquisadores como a “bala de prata” na cura do câncer [13] e, combina a informação de “omics” com o prontuário eletrônico do paciente juntamente com as informações da ciência de saúde populacional. O acúmulo de dados na área de genômica – incluindo oncologia - será brutal [14]. O Governo dos EUA está apostando muito na medicina de precisão [15].

Um outro componente da “Machine Learning” que começa a interessar muito na medicina á a tecnologia de “Deep Learning” [16] que se baseia na tecnologia da Redes Neurais Artificiais [17].

As Redes Neurais foram desenvolvidas na década de 1950, não muito tempo depois do “despertar” da pesquisa de AI. Essas redes tentam simular a maneira de como o cérebro humano funciona, embora de forma muito simplificada. Um programa mapeia um conjunto de “neurônios virtuais” e, em seguida, atribui valores numéricos aleatórios, ou "pesos", para conexões entre eles. Estes pesos determinam como cada neurônio simulado responde - com uma saída de matemática entre 0 e 1 - para uma característica digitalizada tal como uma borda ou uma sombra de azul em uma imagem, ou um nível particular de energia na frequência de um fonema, ou, a unidade individual do som em sílabas faladas.

Recentemente, a tecnologia de “Deep Learning” tem começado a interessar a medicina notadamente no segmento do diagnóstico digital [18]. Essa tecnologia está trazendo aos médicos a habilidade de interpretar imagens e auxiliando-os nos diagnósticos na sua versão “digital” [18.a] e [18.b].

Um dos papéis fundamentais da tecnologia “Deep Learning” no diagnóstico digital está baseado no reconhecimento de imagens (“image recognition”) [19], [20] e [21].

Reconhecimento de Imagens e Objetos & Diagnóstico Digital

As Redes Neurais Artificiais têm se mostrado ser um conjunto de técnicas com potencial para resolver uma grande variedade de problemas, tais como modelagem, predição, reconhecimento de padrões, controle de sistemas, processamento de sinais e análise de séries temporais. Sua grande versatilidade para resolver problemas de diversas naturezas deve-se à sua capacidade de se adaptar ao problema através de exemplos (“aprendizado” ou “learning”), de realizar mapeamento não linear entre a entrada e a saída desejada, e também, de generalizar informações ruidosas e/ou incompletas, garantindo às Redes Neurais um certo grau de robustez, e de obter resultados tão bons ou melhores do que outras técnicas particulares, têm despertado o interesse de muitos pesquisadores. No entanto, embora as Redes Neurais rasas (com uma ou duas camadas ocultas) tenham se mostrado ser efetivas para resolver uma variedade de problemas, o seu poder de modelar e armazenar as informações é limitada pelo seu pequeno número de camadas, o que dificulta a resolver problemas que envolvam complexos comportamentos não lineares. Uma solução para resolver isso seria a utilização de mais camadas, no entanto, por muito tempo não existiu técnicas eficazes para realizar o “treinamento” adequado dessas Redes.

Recentemente, com o advento de “Deep Learning”, foi possível construir de forma mais eficaz Redes Neurais de múltiplas camadas, o que favorece na extração das informações de estruturas mais complexas capturadas a partir dos exemplos de “aprendizado” e, uma melhor representação dessas informações nas suas múltiplas camadas. As Redes Neurais profundas são compostas por várias camadas de processamento não linear dos dados, onde a saída de cada camada inferior alimenta a entrada da sua camada imediatamente superior. Dessa forma, a cada nível a Rede Neural profunda extrai características de nível mais elevado do que seu nível anterior. As Redes Neurais profundas podem “automaticamente” descobrir abstrações de características de níveis mais baixos para conceitos mais elevados através de uma série de estágios de processamento, onde as abstrações de níveis mais baixos estão relacionadas aos exemplos passados para a rede e as abstrações mais altas estão mais diretamente relacionadas à significantes conceitos.

O impacto real da tecnologia de “Deep Learning” foi evidenciado ao ser testado no problema de reconhecimento de imagens e objetos, um tema fundamental em visão computacional. Assim, no outono de 2012, a equipe do pesquisador Geoffrey Hinton [22] da Universidade de Toronto e seus alunos ganharam a competição IMAGEnet por uma margem significativamente alta sobre o estado da arte do momento. A técnica usada por Hinton foi baseada em Redes Convolucionais (ou CNN = “Convulational Neural Network” [23]), uma arquitetura de rede que apresenta mais de 20 anos de desenvolvimento, só que dessa vez foi testada em grande escala e em uma tarefa altamente complexa como é o reconhecimento de imagens. Cabe indicar que já existia um precedente do uso de “Deep Learning” para um problema desta magnitude como foi a exitosa utilização dessa tecnologia no reconhecimento de fala em grande escala. Em 2013 e 2014, a taxa de erro no reconhecimento sobre IMAGEnet usando “Deep Learning” foi reduzido ainda mais, seguindo uma tendência semelhante ao reconhecimento de fala em grande escala.

Levando em conta os êxitos alcançados, o reconhecimento automático de fala foi direcionado ao problema de tradução automática da fala e compreensão, e o problema de classificação de imagens foi recentemente estendido para uma tarefa de maior desafio como é o caso da “legendagem” automática de imagens (“automatic image captioning”), onde o “Deep Learning” é a tecnologia principalmente usada [24], [25] e [26].

Um exemplo de uma aplicação de destaque de “Deep Learning” é em uma tecnologia conhecida como “Facial Dysmorphology Novel Analysis” (FDNA) [27] utilizada para analisar casos de “malformação humana” conectada a um grande banco de dados de síndromes genéticas.

Com falamos acima, na área de Saúde, a tecnologia de “Deep Learning” já começa a provocar diversos interesses na área de “diagnóstico digital” [28] e cabe destacar os seguintes movimentos, a saber:

a.
A IBM está começando a testar o seu software de diagnóstico digital chamado Avicenna [29] que potencializa o processamento de imagens e o diagnóstico digital [30]. A IBM pagou em agosto de 2015, 1,0 BUS$ pela empresa Merge Healthcare especializada em processamento de imagens médicas [31].

A IBM continua firme no seu propósito de se transformar em um “player” de destaque na área de saúde com sua Watson Health [32]. Recentemente a “big blue” adquiriu a empresa Truven Health Analytics [32.a] pela “bagatela” de 2,6 BUS$ [33]. Essa compra levou a ação da IBM aumentar em 5,03% do dia 17 para 18 de fevereiro de 2016 e já tem gente perguntando se a Saúde pode salvar a IBM [34];

b.
O ex-CEO da Philips Healthcare chamado Gene Saragenese está investindo em software de “Deep Learning” para ajudar aos radiologistas a diagnosticar derrame cerebral através da “startup” Medy Match Technology [35] e [36];

c.
A “startup” Enlitic [37] do empreendedor Jeremy Thomas é o “player” mais famoso do cenário de aplicações de “Deep Learning” na área de Sáude. Aqui tem um bom vídeo de Jeremy Thomas sobre o foco estratégico da Enlitic [38];

d.
A “startup” Behold.ai [39] está inovando e “atacando” em uma área diferenciada na oncologia que é o Diagnóstico de Câncer de Mama. Essa empresa se posiciona no mercado médico ofertando a possibilidade de 2ª opinião médica para o diagnóstico do Câncer de Mama [40];

e.
O Câncer de Mama tem interessado muito à comunidade científica internacional que pesquisa algoritmos de “Deep Learning”. Cabe destacar aqui alguns trabalhos nesse cenário, que focam no dessa tecnologia para detecção do câncer de mama: [41], [42] e [43].

Conheça aqui outras empesas de Saúde que estão apostando na tecnologia de AI: [44].

As técnicas de “Deep Learning” podem ser aplicados para a identificação de câncer em imagens, com a vantagem de poder extrair informações mais poderosas para realizar a correta predição se os pacientes tem um câncer ou não.  Além das imagens, ela pode também ser utilizada para realizar a predição através dos dados coletados do paciente que estejam correlacionados com a doença.

Referências:

[1] Can Technology Fix Medicine?, MIT Technology Review, 21.jul.2014
https://www.technologyreview.com/s/529011/can-technology-fix-medicine/

[2] Referências do Google sobre “Future Medicine + Data Driven + Healthcare”
https://www.google.com.br/webhp?sourceid=chrome-instant&rlz=1C1QJDA_enBR621BR649&ion=1&espv=2&ie=UTF-8#q=Future+Medicine+%22Data+Driven%22+Healthcare

[3] Tutorial: Data Driven Analytics in Healthcare: Problems, Challenges and Future Directions, IBM Watson [pdf]
http://engr.uconn.edu/~fwang/tutorials/CIKM14_Tutorial.pdf

[4] Inteligência Artificial, Wikipedia
https://en.wikipedia.org/wiki/Artificial_intelligence

[5] Paging Dr. Robot: The Coming AI Health Care Boom, Fast Company, 08.jan.2016
http://www.fastcompany.com/3055256/elasticity/paging-dr-robot-the-coming-ai-health-care-boom

[6] From $600 M to $6 Billion, Artificial Intelligence Systems Poised for Dramatic Market Expansion in Healthcare, Frost & Sullivan, 05.jan.2016
http://ww2.frost.com/news/press-releases/600-m-6-billion-artificial-intelligence-systems-poised-dramatic-market-expansion-healthcare/

[7] Machine Learning, Wikipedia
https://en.wikipedia.org/wiki/Machine_learning

[8] Demystifying Artificial Intelligence, Deloitte University Press, 04.nov.2014
http://dupress.com/articles/what-is-cognitive-technology/

[9] Big Data, Wikipedia
https://en.wikipedia.org/wiki/Big_data

[10] Three ways big data continues to transform healthcare, Healthcare IT News, 18.nov.2015
http://www.healthcareitnews.com/blog/three-ways-big-data-continues-transform-healthcare

[11] Genetics: Big hopes for big data, Nature, 18.nov.2015
http://www.nature.com/nature/journal/v527/n7578_supp/full/527S108a.html

[12] Video: Leading in Biomedical Revolution, Big Data in Biomedicine Conference, Llloyd Minor MD, Dean School of Medicine, Stanford University, May 2015
https://www.youtube.com/watch?time_continue=200&v=IgHITb_z6BM

[13] Big Data no combate ao Câncer: medicina personalizada do futuro [Parte 01], Saude Business, 08.out.2015
http://saudebusiness.com/big-data-no-combate-ao-cancer-medicina-personalizada-do-futuro-parte-01/

[14] Big Data: Astronomical or Genomical?, PLOS Biology, 07.jul.2015
http://journals.plos.org/plosbiology/article?id=10.1371/journal.pbio.1002195

[15] Precision Medicine: Health Care Tailored to You, Wjite House, 25.feb.2016
https://www.whitehouse.gov/blog/2016/02/25/precision-medicine-health-care-tailored-you

[16] Deep Leraning, Wikipedia
https://en.wikipedia.org/wiki/Deep_learning

[17] Artificial Neural Networks, Wikipedia
https://en.wikipedia.org/wiki/Artificial_neural_network

[18] Deep Learning: como essa tecnologia pode transformar a medicina?, Saúde Business, 10.dez.2016
http://saudebusiness.com/deep-learning-como-essa-tecnologia-pode-transformar-a-medicina/

[18.a] An AI-enabled health coach may be in your future, Becker´s Health IT & CIO Review, 25.feb.2016
http://www.beckershospitalreview.com/healthcare-information-technology/an-ai-enabled-health-coach-may-be-in-your-future.html?linkId=21703784

[18.b] Cognitive technologies for healthcare plans, Deloitte University Press, 27.mar.2015
http://dupress.com/articles/cognitive-technologies-health-plans/

[19] Introduction to Machine Based Image Processing & Deep Learning, Slideshare, 01.jul.2015 [pdf]
http://pt.slideshare.net/DerekKane/data-science-part-xvii-deep-learning-image-processing

[20] Referências do Google sobre “Deep Learning + Image Recognition”
https://www.google.com.br/webhp?sourceid=chrome-instant&rlz=1C1QJDA_enBR621BR649&ion=1&espv=2&ie=UTF-8#q=%22Deep+Learning%22+%22Image+Recognition%22

[21] Deep Residual Learning for Image Recognition, 10.dec.2015 
http://arxiv.org/abs/1512.03385

[22] Geoffrey Hinton, Wikipedia
https://en.wikipedia.org/wiki/Geoffrey_Hinton

[23] Convulational Neural Network, Wikipedia
https://en.wikipedia.org/wiki/Convolutional_neural_network

[24] Vinyals et al. (2014)."Show and Tell: A Neural Image Caption Generator," arXiv:1411.4555
http://arxiv.org/abs/1411.4555

[25] Fang et al. (2014)."From Captions to Visual Concepts and Back," arXiv:1411.4952
http://arxiv.org/abs/1411.4952

[26] Kiros et al. (2014)."Unifying Visual-Semantic Embeddings with Multimodal Neural Language Models," arXiv:1411.2539
http://arxiv.org/abs/1411.2539

[27] Referências do Google sobre “Facial Dysmorphology Novel Analysis”
https://www.google.com.br/webhp?sourceid=chrome-instant&rlz=1C1QJDA_enBR621BR649&ion=1&espv=2&ie=UTF-8#q=Facial+Dysmorphology+Novel+Analysis

[28] Digital Diagnosis: Intelligent Machines Do a Better Job Than Humans, Singularity University, 18.jan.2016
http://singularityhub.com/2016/01/18/digital-diagnosis-intelligent-machines-do-a-better-job-than-humans/

[29] Referências do Google sobre “Avicenna”
https://www.google.com.br/webhp?sourceid=chrome-instant&rlz=1C1QJDA_enBR621BR649&ion=1&espv=2&ie=UTF-8#q=avicenna+ibm+diagnostic+healthcare

[30] IBM´s Automated Radiologist can Read Images and Medical Records, MIT Technology Review, 04.fev.2016
https://www.technologyreview.com/s/600706/ibms-automated-radiologist-can-read-images-and-medical-records/

[31] Referências do Google sobre “Merge Healthcare IBM Acquistion”
https://www.google.com.br/webhp?sourceid=chrome-instant&ion=1&espv=2&ie=UTF-8#q=merge+healthcare+ibm+acquistion

[32] Watson Health
http://www.ibm.com/smarterplanet/us/en/ibmwatson/health/

[32.a] Truven Health Analytics
http://truvenhealth.com/

[33] IBM Acquiring Truven Health Analytics For $2.6 Billion And Adding It To Watson Health, TechCrunch, 18.feb.2016
http://techcrunch.com/2016/02/18/ibm-acquiring-truven-health-analytics-for-2-6-billion-and-adding-it-to-watson-health/

[34] International Business Machines Corp.: Can Healthcare Cure IBM’s Growth Blues?, Investor Place, 18.feb.2016
http://investorplace.com/2016/02/ibm-stock-ibm-healthcare-to-cure-the-growth-blues/#.VsiogZwrLIU

[35] Medy Match Technology
https://medymatch.com/

[36] Former Philips Imaging CEO heading machine learning startup to improve stroke diagnosis, Fierce Medical Devices, 17.feb.2016
http://www.fiercemedicaldevices.com/story/former-philips-imaging-ceo-heading-machine-learning-startup-improve-stroke/2016-02-17?utm_campaign=AddThis&utm_medium=AddThis&utm_source=twitter#.VsYRbhR_VR8.twitter

[37] Enlitic
http://www.enlitic.com/

[38] Jeremy Howard – Big Data & Machine Learning, Exponential Medicine, 2015
https://www.youtube.com/watch?v=3WBpJKDv1U8

[39] Behold
http://behold.ai/

[40] Startup Uses Deep Learning to Detect Disease from Medical Scans, Nvidia, 09.feb.2016
http://blogs.nvidia.com/blog/2016/02/09/deep-learning-3/

[41] Unregistered Multiview Mammogram Analysis with Pre-trained Deep Learning Models,18.nov.2015 [pdf]  
http://cs.adelaide.edu.au/~carneiro/publications/multimodal.pdf

[42] Deep Learning Technology Helps Improve Diagnostics of Breast Cancer, PR Web, 29.sep.2015
http://www.prweb.com/releases/simagis/breast-cancer/prweb12986679.htm

[43] Automatic detection of invasive ductal carcinoma in whole slide images with Convolutional Neural Networks, Several Universities, 19.sep.2014 [pdf]
http://engineering.case.edu/centers/ccipd/sites/ccipd.case.edu/files/Automatic_detection_of_invasive_ductal_carcinoma_in_whole.pdf

[44] From Virtual Nurses To Drug Discovery: 32 Artificial Intelligence Startups In Healthcare, CB Insights, 25.feb.2016
https://www.cbinsights.com/blog/artificial-intelligence-startups-healthcare/?utm_source=CB+Insights+Newsletter&utm_campaign=54bc1ce2bc-Top_Research_Briefs_02_20_2016&utm_medium=email&utm_term=0_9dc0513989-54bc1ce2bc-86567765

Autores:

[i] Eduardo Prado é consultor de mercado em novos negócios, inovação e tendências em Mobilidade e “Big Data” em Saúde.
E-mail: eprado.sc@gmail.com
Twitter: https://twitter.com/eprado_melo

[ii] Dr. Jorge Leonid Aching Samatelo, Professor Adjunto do DEL/UFES - Campus Goiabeiras

[iii] Dr. Patrick Marques Ciarelli, Professor Adjunto do DTI/UFES - Campus Goiabeiras

[iv] Dr. Wilian Hiroshi Hisatugu, Professor Adjunto do DCEL/UFES - Campus São Mateus

Outras matérias do mesmo autor:
1. Blog Saúde 3.0: http://saudebusiness.com/blogs/saude-3-0/
2. Convergência Digital: http://convergenciadigital.uol.com.br/eduardoprado/




  • Copyright © 2005-2019 Convergência Digital
  • Todos os direitos reservados
  • É proibida a reprodução total ou
    parcial do conteúdo deste site
    sem a autorização dos editores
  • Publique!
  • Convergência Digital
  • Cobertura em vídeo do Convergência Digital
  • Carreira
  • Cloud Computing
  • Internet Móvel 3G 4G