A Inteligência Artificial (IA) [1] vai provocar uma grande transformação na vida das pessoas e das empresas nos próximos anos. Segundo Andrew Ng [2] – Cientista Chefe de IA do Baidu Research e ex-Stanford – “A IA é a nova eletricidade. Exatamente como há 100 anos atrás a eletricidade transformou indústria após indústria, a IA fará agora o mesmo!”. [3]

No bojo da “nave futurista” da IA destaca-se uma tecnologia que tem provocado um grande interesse mundial pela sua versatilidade e grande potencial. Trata-se de uma família de técnicas de IA chamada “Deep Learning” [4] (ou “Aprendizado Profundo”), embora muitos cientistas ainda prefiram chamá-la pela designação original como: Redes Neurais Profundas [5]. Aqui você pode tirar algumas das suas dúvidas sobre o “Deep Learning” [5.1] e [5.2].

Esta tecnologia está sendo utilizada para algumas aplicações tais como: impulsionar os mecanismos de buscas na Internet; bloquear e-mails de spam; responder, traduzir páginas da web; traduzir de uma língua para outra; reconhecer comandos de voz; detectar fraudes de cartões de crédito; elaborar diagnósticos digitais de pacientes através de imagens; dirigir carros autônomos, entre outras.

Para conhecer mais sobre a grande abrangência de IA ver este “survey” aqui sobre o tema [6].

A tecnologia de “Deep Learning” da IA é baseada em um sistema de multi-camadas de Redes Neurais. Uma característica notável das Redes Neurais [7] é que nenhum ser humano precisa programar um computador para executar qualquer uma das aplicações citadas acima. Na verdade, de fato, nenhum ser humano poderia. Os programadores, em vez disso, alimentam o computador com um algoritmo de “aprendizado”, expõem ele a “terabytes” de dados – dezenas ou centenas de milhares de imagens ou anos de amostras de fala – para treiná-lo e então permitirem que o computador “descubra” por si mesmo como reconhecer os objetos desejados, palavras ou frases. Isso é “Deep Learning”! E por que “Deep” (profundo)? O “profundo” vem por que a Rede Neural tem múltiplas camadas na sua implementação.

Em suma, esses computadores podem agora ensinar para eles mesmos! Nesse caso temos essencialmente um “software que escreve o software”.

Os investidores (VC = “Venture Capital”), que nem sequer sabiam o que a tecnologia “Deep Learning” significava há cinco anos, e hoje estão desconfiados de que muitas startups também não sabem! “Estamos vivendo agora uma nova era”, observa Frank Chen que é sócio do VC Andreessen Howowitz, “onde será obrigatório que as pessoas construam aplicações sofisticadas de software.”  As pessoas logo estarão exigindo dos fornecedores, diz ele, “Onde está sua versão de processamento em linguagem natural? Como eu “falo” com seu aplicativo? Porque eu não quero mais ter que clicar através de menus.”

Pense em “Deep Learning” como um subconjunto de um subconjunto. A Inteligência Artificial (IA) abrange uma vasta gama de tecnologias – como a lógica tradicional e os sistemas baseados em regras – que permitem que computadores e robôs resolvam problemas de uma forma que pelo menos se assemelhe superficialmente ao pensamento humano. Dentro desse reino de IA há uma categoria menor chamada de “Aprendizagem de Máquina” (“Machine Learning” [8]), que é o nome de uma “caixa de ferramentas” inteira de técnicas matemáticas arcanas, mas importantes, que permitem que os computadores melhorem na execução de tarefas a partir de experiência. Finalmente, dentro da “Aprendizagem de Máquina” está contemplada uma menor subcategoria chamada “Deep Learning”. O “Deep Learning” é uma forma de “Machine Learning”! Registrou?!

Uma maneira de pensar no que o “Deep Learning” faz é como se ele fizesse “mapeamentos de A para B”, diz Andrew Ng. “Você pode inserir um clipe de áudio e exibir a transcrição. Isso é reconhecimento de fala”. Enquanto você tem dados para treinar o software, as possibilidades são infinitas. “Você pode inserir e-mail, e a saída poderia ser: este e-mail é  spam ou não?” Em aplicações de empréstimos como entrada, ele diz, a saída poderia ser a probabilidade de um cliente reembolsá-lo. Se a entrada for padrões de utilização de uma frota de carros, a saída poderia aconselhar qual seria o local para um carro ir em seguida. Esses “mapeamentos de A para B” são conhecidos como “End to End Deep Learning” [8.1].

Recentemente, os pesquisadores do Google comunicaram o desenvolvimento de um algoritmo de varredura ocular para descobrir por si próprio como detectar uma forma comum de cegueira, mostrando o potencial da IA em transformar a medicina de forma notável em breve.

O algoritmo dos pesquisadores do Google pode analisar as imagens da retina e detectar uma Retinopatia Diabética – que afeta quase um terço dos pacientes com diabetes – bem como um oftalmologista altamente treinado pode diagnosticar. Esse algoritmo faz uso da mesma técnica de “Machine Learning” [8] (ou Aprendizagem de Máquina) que o Google usa para rotular milhões de imagens da Web.

A Retinopatia Diabética é causada por danos aos vasos sanguíneos do olho e resulta em uma deterioração gradual da visão. Se ela é detectada logo cedo, ela pode ser tratada, mas um paciente pode não ter os sintomas da doença no início, tornando a triagem vital. Ela é diagnosticada, em parte, através de um especialista examinando as imagens da retina de um paciente, capturada por um dispositivo especializado, para detectar sinais de sangramento e vazamento de fluído.

Alguma forma de detecção automatizada poderia tornar o diagnóstico da Retinopatia Diabética mais eficiente e confiável, e poderia ser especialmente útil em regiões onde a experiência necessária é escassa. Uma das coisas mais intrigantes sobre essa abordagem da utilização da tecnologia de “Machine Learning” é que ela tem potencial para melhorar a objetividade do diagnóstico e, finalmente, a precisão e a qualidade dos cuidados médicos.

A IA teve sucesso moderado na medicina no passado. Os sistemas que usam um banco de dados de conhecimento para oferecer aconselhamento mostraram que podiam superar os médicos em alguns cenários, mas houve apenas uma absorção limitada pelo segmento de saúde. Mesmo assim, o poder da tecnologia de “Machine Learning” – especialmente da técnica conhecida como “Deep Learning”, pode tornar a Inteligência Artificial mais comum na medicina no futuro [9-10]. A pesquisa sobre o diagnóstico da Retinopatia Diabética desenvolvida pelo Google através da tecnologia de “Deep Learning” é apresentada aqui [11-12].

Para treinar a rede neural do diagnóstico de Retinopatia Diabética, os pesquisadores criaram um conjunto de treinamento de 128.000 imagens de retinas classificadas por pelo menos três oftalmologistas. Depois que o algoritmo de “Deep Learning” foi treinado, os pesquisadores testaram seu desempenho em 12.000 imagens e descobriram que os diagnósticos se igualavam ou superavam o desempenho dos especialistas na identificação da condição e classificação da gravidade da doença.

Um dos grandes potenciais da tecnologia de “Deep Learning” é o “reconhecimento de imagens” (ou “Image Recogintion” [13] que é parte do “Reconhecimento de Padrões” [14]). Esta característica da tecnologia tem um “potencial magnífico” na medicina. Ela poderia ser aplicada em muitas áreas diferentes da medicina que dependem de análise de imagem, como radiologia e cardiologia, bem como em outras áreas [15] mas um dos maiores desafios do uso da tecnologia será fornecer provas convincentes de que os sistemas são confiáveis.

Focando em radiologia, a utilização de IA nessa área será muito alavancada pela tecnologia de “Machine Learning”. Para você não dizer que estamos falando de “sonhos”, no último congresso da RSNA [16] em Chicago no final de novembro de 2016, a IA deu o maior “buchicho”. Aqueles que participaram das sessões científicas e visitaram os estandes e exposições educacionais no evento puderam testemunhar – em primeira mão – o rápido desenvolvimento da tecnologia de “Machine Learning” – particularmente “Deep Learning” – para uma ampla gama de aplicações de radiologia.

Os pesquisadores apresentaram no evento como a tecnologia de “Machine Learning” disponibiliza um potencial diferenciado na interpretação de imagens, tal como uma imagem da mama de uma mulher para avaliar o risco de câncer da mama [17]. Ela também pode ser capaz de, por exemplo, segmentar e medir lesões, ajudar a reduzir as biópsias de mama desnecessárias, ler radiografias de raios X de tórax [18], descobrir “biomarcadores” para doenças raras, detectar osteoporose em exames de tomografia, encontrar e rotular vértebras na ressonância magnética lombar, identificar clinicamente significantes canceres de próstata e, ajudar a detectar uma doença pulmonar intersticial.

Mas isso não foi tudo. Muitos participantes do evento RSNA 2016 acreditam que a tecnologia “Machine Learning” pode, em breve, afetar outras áreas da radiologia, incluindo faturamento, relatórios, e suporte à decisão clínica. Graças à melhoria de eficiência proporcionada pela tecnologia de “Machine Learning”, os radiologistas podem até ganhar mais tempo para conversar com os médicos clínicos e, ser um membro mais visível da equipe de cuidados – uma vantagem muito útil à medida que a saúde está em processo de transição para um modelo baseado em valores (“value based healthcare”).

Também foi notado no evento que a atividade comercial de IA na medicina está crescendo a um ritmo frenético. Os avanços da tecnologia de “Machine Learning” foram demonstrados por uma ampla gama de fornecedores, como grandes fornecedores tradicionais de imagens, IBM e sua tecnologia Watson, um bando de startups, e empresas de todos os tamanhos e tipos do segmento de radiologia.

Enquanto alguns – ainda – temem em acreditar que a tecnologia de IA vai deixar os radiologistas sem emprego, essa visão apocalíptica agora parece muito mais longe de acontecer no futuro. No evento RSNA 2016 foi mostrado – ao contrário – que o foco está em fazer radiologistas sejam cada vez melhores e mais eficientes em seus trabalhos com o ferramental diferenciado de IA e, não substituí-los! Veja aqui estes dois vídeos feitos na RSNA de especialistas sobre a utilização de IA no segmento de radiologia [19-20] e também estas duas apresentações sobre o mesmo tema [21-22].

Alguns já vaticinam: “Deep Learning é o futuro da Radiologia” (pero … temos vozes discordantes, não é mesmo?!).