Um novo modelo de aprendizado profundo pode aprender a identificar doenças a partir de exames médicos com mais rapidez e precisão, de acordo com uma nova pesquisa feita por uma equipe de cientistas da computação da Universidade de Alberta e pela MEDO, empresa subsidiária da U of A. O modelo inovador é o trabalho de uma equipe de pesquisadores da Faculdade de Ciências - incluindo as contribuições de Pouneh Gorji, um estudante de pós-graduação perdido no vôo PS752.
O aprendizado profundo é um tipo de aprendizado de máquina - um subcampo da inteligência artificial; técnicas de aprendizado profundo são algoritmos de computador que encontram padrões em grandes conjuntos de dados, produzindo modelos que podem ser usados para fazer previsões. Esses modelos funcionam melhor quando aprendem com centenas de milhares ou até milhões de exemplos. Mas o campo do diagnóstico médico apresenta um desafio único, onde os pesquisadores normalmente só têm acesso a algumas centenas de imagens de exames médicos por motivos de privacidade.
“Quando um modelo de aprendizado profundo é treinado com tão poucas instâncias, seu desempenho tende a ser ruim”, disse Roberto Vega, principal autor do estudo e aluno de pós-graduação no Departamento de Ciência da Computação.
“Em nosso estudo, abordamos o problema de como aprender modelos eficazes de aprendizado profundo para tarefas médicas com poucos exemplos de treinamento. A ideia principal é que possamos alavancar o conhecimento presente na literatura médica para melhor orientar o processo de aprendizagem. ”
As melhorias no desempenho vêm do treinamento do algoritmo em imagens médicas, bem como de seu diagnóstico “probabilístico” correspondente, fornecido indiretamente por especialistas médicos. Essa abordagem permite que o algoritmo aprenda os padrões que caracterizam cada doença nos exames, permitindo prever qual doença é mostrada no exame de um novo paciente ou se o exame parece saudável.
“Nossa abordagem melhorou a precisão da classificação do modelo e forneceu uma confiança significativa em sua previsão, dando uma estimativa da probabilidade de uma doença estar presente em um exame”, disse Vega.
“Com essa pesquisa, queremos fornecer aos radiologistas ferramentas melhores que tornem seu trabalho mais fácil, rápido e eficaz. Também temos o problema de escassez de pessoal médico, um problema agravado nos países em desenvolvimento. Nossa esperança é que possamos desenvolver modelos que permitam aos nossos especialistas médicos tomarem melhores decisões. ”
O trabalho de muitos
A pesquisa inclui contribuições significativas de Pouneh Gorji, um pós-graduado do Departamento de Ciência da Computação e vítima da tragédia do vôo PS752. Em janeiro de 2020, Gorji e Arash Pourzarabi viajaram para casa no Irã para se casar e eram dois dos quatro membros da comunidade da Faculdade de Ciências entre as 176 pessoas mortas no vôo PS752.
Para a equipe, a pesquisa também é uma oportunidade de homenagear o legado de Gorji e suas contribuições críticas ao projeto. Quando os pesquisadores começaram o projeto, o algoritmo era focado exclusivamente na displasia do quadril, explicou Vega. Gorji estava trabalhando no desenvolvimento de modelos de aprendizado de máquina para identificar fígado gorduroso, e foi ela se juntando à equipe que levou a um redesenho do algoritmo e a um avanço no desempenho.
"O original algoritmo não estava funcionando para fígado gorduroso, então Pouneh e eu começamos a trabalhar juntos para resolver o problema. Depois de várias semanas, descobrimos uma falha importante na abordagem original e fomos capazes de propor uma solução - uma que envolvia uma nova maneira matemática de lidar com uma seção do modelo ”, disse Vega.