Aula 10 Flashcards
slide 73 (??)
A IA, ao longo da História, verificou expectativas exageradas e limitações técnicas. Verdadeiro ou Falso?
Verdadeiro
Duranto o ‘First AI winter’ (_______), os expert systems não cumpriram promessas por falta de ___________ _____________ e dados.
1973; poder computacional
Durante o ‘Second AI winter’ (________), houve o fracasso comercial de expert systems devido ao seu _______ custo e falta de ____________ práticos.
1988; alto; resultados
Defina AI.
AI is a branch of computer science focused on developing computational methods capable of performing tasks that typically require human intelligence, such as reasoning, learning, problem-solving, perception, and language understanding.
AI é um ramo da ciência da computação centrado no desenvolvimento de métodos computacionais capazes de realizar tarefas que normalmente requerem inteligência humana, como o raciocínio, a aprendizagem, a resolução de problemas, a perceção e a compreensão da linguagem.
Os artigos publicados com o tema ‘Artificial Intelligence in Healthcare’ constituem cerca de ____% de todos os artigos publicados no tema geral ‘Artificial Intelligence’.
8
Em 2022, quais foram os 10 países que mais usufruíram da inteligência artificial?
Do que mais usa para o que menos usa:
USA > China > UK > Israel > Canada > France > India > Japan > Germany > Singapore
Quais são os três conceitos técnicos mais importantes na IA?
- Computing Power;
- Algorithm Power;
- Data Availability.
Escolher os dados corretos é tão ou mais importante do que o algoritmo correto. Verdadeiro ou Falso?
Verdadeiro
Quais são os principais desafios (5) da IA?
- Qualidade e disponibilidade dos dados: os modelos de AI dependem de dados de alta qualidade e bem selecionados. No entanto, na área médica, a obtenção de conjuntos de dados grandes e diversificados pode ser um desafio.
- Robustez e generalização: Os modelos de AI treinados em conjuntos de dados específicos podem carecer de robustez e generalização quando aplicados a novos dados ou cenários do mundo real.
- Interpretabilidade e explicabilidade: Muitos modelos de deep AI eram frequentemente considerados “caixas negras”, o que dificultaria interpretar as suas decisões e explicar o seu raciocínio. As técnicas de explainable AI são necessárias para aumentar a transparência e a confiança nos conhecimentos orientados para a AI.
- Integração com os métodos tradicionais: É necessário integrar correctamente as abordagens baseadas na AI nas metodologias existentes. As colaborações entre peritos em AI, cientistas e clínicos são essenciais para
tirar partido dos pontos fortes da AI e das abordagens tradicionais de forma eficaz. - Desafios regulamentares e éticos: O panorama regulamentar da AI nos cuidados de saúde ainda está a evoluir. Garantir a conformidade com os requisitos regulamentares, como as diretrizes da FDA para dispositivos médicos baseados em AI, apresenta desafios para as partes interessadas do sector. Além disso, considerações éticas, incluindo preconceito, justiça e privacidade do paciente, precisam ser abordadas em implementações clínicas orientados por AI.
Enumere e descreva os passos pelos quais os dados passam desde a sua recolha até à sua divisão para treino e criação de um modelo de ML.
- Recolha de dados
- Data Curation (Curadoria de Dados)
2.1. Limpeza de dados
2.2. Organização de dados - Critérios de Inclusão/Exclusão
- Processamento dos dados - anotações, qualidade, etc.
- Divisão dos dados
Dados de treino (60-80%): utilizados para treinar o modelo de AI.
Dados de validação (10-20%): utilizados para hyperparameter tuning.
Dados de teste (10-20%): utilizados para avaliar o desempenho do modelo.
O efeito do número de dados de treino em machine learning para tarefas específicas de linguagem demonstraram que, se quisermos que um computador crie um modelo de _______________, não precisamos do algoritmo mais _____________. Depois de colocar no problema mais de mil milhões de palavras dentro do contexto, qualquer algoritmo começará a ter um desempenho incrivelmente _________.
linguagem; inteligente; bom
Independentemente da quantidade de dados que houver, continuamos a precisar de um _________________ ____________ para os tornar úteis.
algoritmo robusto
Só é possível aplicar com êxito machine learning depois de a análise de _________ fornecer dados corretamente __________________.
dados; preparados
Defina machine learning.
Machine learning é a implementação dos métodos de computação/algoritmos que suportam a IA.
De ‘fora’ para ‘dentro’, agrupa os seguintes conceitos.
Deep Learning; Machine Learning; Artificial Intelligence; Convolutional Neural Networks
Artificial Intelligence –> Machine Learning –> Deep Learning –> Convolutional Neural Networks
Defina supervised learning.
O algoritmo ML aprende a partir de dados rotulados com pares de entrada-saída conhecidos.
Defina unsupervised learning.
O algoritmo ML aprende padrões e estruturas a partir de dados não rotulados sem resultados predefinidos (agrupa semelhanças).
Quais são 5 diferentes tipos de ML?
- Supervised learning
- Unsupervised learning
- Semi-supervised learning
- Reinforcement learning
- Transfer learning
Quais são os tipos de machine learning mais usados?
Classical Learning: classification (kNN; NB; SVM; DT; LR); regression (linear regression; polynomial regression; Ridge/Lasso regression).
Ensemble Methods: stacking; bagging (random forest); boosting (XGBost; LightGBM; CatBoost; AdaBoost)
Deep Learning: CNN (deep CNN); recurrent neural networks (liquid state machine; long short-term memory networks; gated recurrent unit); generative adversarial networks.
Defina semi-supervised learning.
O algoritmo ML utiliza métodos de ML supervisionados para rotular os dados.
Defina reinforcement learning.
Envolve treinar um algoritmo de ML para realizar ações num ambiente de modo a maximizar as recompensas ao longo do tempo.
Defina transfer learning.
É uma técnica de ML em que o conhecimento ganhado através da realização de uma tarefa ou dataset é usado para melhorar a performance do modelo noutra tarefa relacionada e/ou noutro dataset. Noutras palavras, transfer learning usa o que foi aprendido numa ocasião para melhorar a generalização noutra.
Defina deep learning.
É um subconjunto do ML que permite que modelos computacionais compostos por várias camadas de processamento representem dados com vários níveis de abstração através do algoritmo de retropropagação.
Defina convolutional neural networks (CNN).
São uma classe especializada de algoritmos de DL para processar dados estruturados, nomeadamente imagens, através da aprendizagem automática de caraterísticas espaciais e hierárquicas.
Nas CNNs, as camadas de convolução permitem detetar ___________ nos dados de entrada. As camadas de pooling reduzem a dimensão ___________ dos dados, preservando informações importantes.
As camadas ________ _____________ combinam as caraterísticas extraídas pelas camadas anteriores e ‘tomam as decisões finais’.
padrões; espacial; fully connected
As tarefas principais das CNNs são a ________________, segmentação, _____________ e geração.
classificação; deteção
In semantic segmentation, object category labels are assigned to each pixel in the image. True or False?
True
Quais são os passos principais de uma CNN usada para classificar imagens?
- Feature Extraction: Convolution+ReLU (pooling), Convolution+ReLU (pooling), Convolution+ReLU (pooling) until flatten layer.
- Classification: fully connected layer.
- Probabilistic Distribution: SoftMax Activation Function.
Quais são os passos principais numa U-Net usada em segmentação?
Convolution layer –> Activations
Pooling Layer –> Convolution Layer –> Activations
Pooling layer –> Convolution layer –> Activations
Un-pooling layer –> De-convolution layer –> Activations
De-convolution layer –> Activations
A deteção usando CNNs inclui uma CNN pré-treinada para extrair mapas de features da imagem e depois um faster R-CNN para deteção. Verdadeiro ou Falso?
Verdadeiro
Define object detection.
Locating and outlining specific entities.
Na deteção usando CNNs, a RPN (Region Proposal Network) é responsável por gerar propostas de __________ que podem conter _____________ com base no mapa de features da CNN pré-treinada.
Neste caso, o classificador de objetos é uma layer de ___________ ____ _________ do objeto dentro da ROI (ou se é fundo).
O regressor de bounding box é uma layer de regressão linear que ajusta as ________________ das _____________ ________ para uma _______________ mais precisa.
regiões; objetos; previsão da classe; coordenadas; bounding boxes; localização
Na geração (GANS - Generative Adversarial Networks), que tem como objetivo gerar imagens ____________ (remover o ________).
Envolve um generator (G) e um discrimator (D) que são ________________ _______ _____________ com backpropagation incluída.
sintéticas; ruído; multilayer neural networks
As the amount of data available increases, the performance of _________ ________________ surpasses that of the _________ ____________ ______________ (which reaches a plateau).
deep learning; older learning algorithms
Uma pipeline de machine learning tradicional inclui a aquisição das imagens, a _____________, a extração das _____________ (geometry, intensity and texture features) com recurso, por exemplo, ao Python e ao Radiomics, a seleção das ______________, a construção do _____________ e a classificação.
segmentação; features; features; modelo
Quando a input variable é númerica (categórica) e a output variable é categórica (numérica), os métodos de seleção de features a usar podem ser ou o _____________ ou a ___________.
Kendall’s; ANOVA
Quanto, tanto a input variable, como a output variable são categóricas, os métodos de seleção de features a usar são ou o ____________ ou o _________ _______________.
Chi-Squared; Mutual Information
Quando, tanto a input variable, como a output variable são numéricas, os métodos de seleção de features a usar são ou o ____________ ou o _______________.
Pearson’s; Spearman’s
Quais são as principais vantagens (3) do uso de uma pipeline de ML tradicional para classificação de tumores?
- Versátil;
- Controlo/interpretação clara de todas as fases;
- Adaptável a diversos tipos de dados.
Quais são as principais desvantagens (4) do uso de uma pipeline de ML tradicional para classificação de tumores?
- Depende da segmentação e da qualidade das features extraídas.
- Time-consuming pipeline.
- Time-consuming para os médicos (segmentação tem de ser precisa).
- Resultados aceitáveis mas não ótimos (pouco generalizáveis).
Uma pipeline de DL com CNNs inclui a aquisição das imagens, a definição de uma __________ _____ ____________ (ROI), a escolha da ______, a afinação de _________________, entre outros, e finalmente, pela ________________.
região de interesse; rede; hiperparâmetros; classificação
Quais são as principais desvantagens (3) do uso de uma pipeline de DL com CNNs para classificação de tumores?
- Precisa de um grande conjunto de dados.
- Necessários mais recursos e maior tempo computacional.
- Era visto como ‘black box’ –> ultrapassado com técnicas como heat maps.
Quais são as principais vantagens (4) do uso de uma pipeline de DL com CNNs para classificação de tumores?
- Não é necessária segmentação, nem extração e seleção de features –> processo mais automático.
- Consegue captar padrões complexos nas imagens.
- Bons resultados e com boa generalização.
- Pipeline simples, não exaustiva.
Qual é a área da medicina com maior aplicação e absorção real de ferramentas de AI?
É a imagiologia, porque se trabalha com dados estruturados, se realizam tarefas bem definidas e porque o impacto clínico é significativo (evolução da imagiologia –> dados mais complexos –> aumento do tempo de análise/exame). Além disso, existe uma grande panóplia de bases de dados ‘organizadas’ e públicas.
Já alguns sistemas de IA foram capazes de superar os especialistas humanos na previsão do cancro da mama, diminuindo em _______ os FP e em ______ os FN, com recurso a um ensemble de 3 modelos de DL com CNNs.
5.7%; 9.4%
Os sistemas de AI devem completamente substituir os radiologistas. Verdadeiro ou Falso?
Falso. Devem ter papéis complementares na obtenção de conclusões exatas.
Com base na maior base de dados atualmente disponível, avaliada durante a pandemia de COVID-19, algoritmos de _____ são utilizados para detectar ______________ a partir de radiografias torácicas com uma sensibilidade e especificidade de 96% e 64% em comparação com os radiologistas, 50% e 73%, respetivamente.
A combinação da elevada _______________ do algoritmo com a elevada _________________ dos radiologistas parece ser de grande valor.
sensibilidade; especificidade
Defina sensibilidade.
A sensibilidade é a probabilidade de um teste ser positivo se o indivíduo tiver a doença.
Defina especificidade.
É a probabilidade de um teste ser negativo se o indivíduo não tiver a doença.
Os sistemas automatizados diminuem significativamente a necessidade de processamento manual de amostras, simplificando assim o processo de análise e otimizando o tempo. Verdadeiro ou Falso?
Verdadeiro
A AI reduz os erros que podem ocorrer na fase pré-teste. Verdadeiro ou Falso?
Verdadeiro
A IA pode ser usada para analisar automaticamente as características das _____________ (como cor/turbidez) e __________ problemas, garantindo que apenas amostras adequadas avancem no processo de teste, melhorando a _____________ dos resultados.
amostras; sinalizar; qualidade
Dê alguns exemplos de problemas que as amostras podem revelar na fase pré-teste e que podem influenciar os resultados.
- Hemólise: ruptura de glóbulos vermelhos que liberta hemoglobina no plasma, interferindo potencialmente nos resultados.
- Lipémia: níveis elevados de gordura no sangue que tornam a amostra turva, dificultando análises laboratoriais.
- Icterícia: altas concentrações de bilirrubina que podem alterar a cor da amostra, interferindo nos testes.
Nos testes de microbiologia clínica, a deteção manual de vários agentes patogénicos ao microscópio é a prática tradicional. Quando a tecnologia ML é integrada em imagens _________________ __________, conduz a melhorias substanciais na eficiência do ___________, na __________ de pacientes e na precisão da ___________.
microbiológicas clínicas; trabalho; gestão; deteção
Existem excelentes resultados no desenvolvimento de modelos de AI para melhorar a eficiência e a precisão das análise clínicas:
- Sistema de imagiologia para reduzir o tempo necessário para a leitura das _________ _____ ____________.
- CNNs para deteção de _____________.
- ChromoEnhancer para análise ______________ e detecção precisa de anomalias _________________ _____________.
- Algoritmos de ML para o rastreio de infecções do trato urinário, reduzindo o workload de cultura em cerca de 41% ao evitar a cultura ________________ de amostras _____________.
placas de cultura; parasitas; citogenética; cromossómicas recessivas; desnecessária; negativas
Na fase de pós-teste, a AI pode estar envolvida na ________________ dos resultados, através da geração automática de relatórios (tal como noutras aplicações médicas), na otimização de processos de __________________ e recuperação de amostras através de sistemas inteligentes que acompanham e gerem o ________________ de forma eficiente, e no controlo de ______________, analisando tendências nos resultados dos testes para identificar anomalias ou inconsistências que possam exigir uma investigação mais aprofundada.
comunicação; armazenamento; inventário; qualidade
A aplicação da AI na ____________ representa um avanço significativo na medicina __________________, oferecendo diagnósticos mais precisos e tratamentos adaptados ao perfil genético de cada indivíduo.
genómica; personalizada
Ordene os passos seguidos para analisar o genoma de um indivíduo e estudar a probabilidade de vir a desenvolver certa doença.
A) Probability calculations are achieved through applying statistical methods.
B) The subsequent genotypic alignment is performed using neural networks and deep learning.
C) Extraction of RNA/DNA, followed by sequencing.
D) Y-axis: the probability of a particular type of disease; X-axis: the count of gene mutations. Negative numbers indicate gene deletions, whereas positive values represent gene additions or nucleic acid mutations.
C - B - D - A
Quais são os benefícios (3) de aplicar técnicas de ML na genómica?
- Personalização de tratmentos com base no perfil genético individual;
- Identificação precoce de predisposições genéticas a doenças;
- Aceleração na descoberta de novos fármacos.
Quais são os benefícios (3) do uso de AI no desenvolvimento de medicamentos?
- Redução dos custos e prazos de desenvolvimento de medicamentos.
- Melhoria das taxas de sucesso através de decisões baseadas em dados.
- Estratégias de tratamento personalizadas que conduzem a melhores resultados para doentes.
Em que áreas da descoberta de medicamentos (5) é que a AI pode ser integrada?
- Polypharmacology (designing biospecific drug molecules; designing multitarget drug molecules)
- Chemical synthesis (prediciting of reaction yield; predicting of retrosynthesis pathways; designing synthetic route)
- Drug screening (predicting of toxicity; predicting of physiochemical property; predicitng of bioactivity)
- Drug repurposing (identification of therapeutic target; prediction of new therapeutic uses)
- Drug design (predicting 3D structure of target protein; predicting drug-protein interaction; determining drug activity; de novo drug design)
Em que campos (3) é que a IA pode ser inserida no contexto dos cuidados centrados no paciente?
- Assistência de saúde virtual: os chatbots e os assistentes virtuais prestam apoio aos doentes 24 horas por dia, 7 dias por semana, gerem consultas de rotina e ajudam a lembrar os medicamentos.
- Apoio à saúde mental: as aplicações de AI oferecem apoio à saúde mental através de plataformas como o aconselhamento virtual, a análise de sentimentos e o acompanhamento do estado de espírito, permitindo a detecção precoce e a intervenção em problemas de saúde mental.
- Melhoria da educação dos pacientes: a AI fornece informações personalizadas e fáceis de compreender sobre as condições de saúde dos pacientes e os tratamentos.
Em que ‘etapas’ (10) da Medicina é que a IA pode ser inserida?
- Scheduling: by analysing past data, AI helps optimise staff and scanner rosters, reducing patient wait times.
- Scanning: ensures the right imaging procedure is selected, reducing radiation exposure by picking the optimal scan settings.
- Acquisition: real-time scanner adjustments by AI improve image quality and cut down scan times.
- Interpretation: radiologists receive help from AI in interpreting images and spotting urgent cases.
- Reporting: standardised radiology reports are a breeze with AI’s auto-fill features based on image interpretation.
- Follow-up and monitoring: AI schedules follow-up scans and tracks disease progress by comparing current and previous images, ensuring top-notch continuity of care.
- Adverse events: AI forecasts potential complications by comparing a patient’s imaging data with historical data of similar cases.
- Treatment response: learning from past cases, AI predicts a patient’s likely response to treatments, aiding in treatment efficacy evaluations.
- Recommendation: AI system correlates patient data to provide actionable insights for further diagnostics or treatments.
- Communication: by integrating with hospital systems like EHRs, AI ensures the right people get the imaging results in no time.
Quais são as fragilidades (4) que a investigação existente da aplicação da IA na medicina tem?
- A dependência excessiva da AI pode levar à perda de indicações clínicas: Os médicos que confiam demasiado nas recomendações da AI podem ignorar pormenores clínicos importantes, contextuais ou subtis, o que pode causar danos aos doentes.
- Enviesamento dos algoritmos, desigualdades nos resultados e falta de generalização: Os biases nos conjuntos de dados de treino da AI resultam em disparidades nos cuidados de saúde, com as populações sub-representadas a serem afectadas de forma desproporcionada.
- As ferramentas de AI podem ter um desempenho inferior em cenários do mundo real: Apesar dos resultados promissores em ambientes controlados, os sistemas de AI deparam-se frequentemente com desafios na implementação clínica no mundo real, afectando a sua eficácia.
- Preocupações éticas sobre a autonomia e a responsabilidade: A utilização da AI levanta questões éticas em torno da autonomia de decisão, em que os doentes e os prestadores de cuidados de saúde questionam quem é responsável pelos erros causados pelos sistemas de AI.
Para aumentar a adopção no mundo real, é essencial que as tecnologias de AI sejam ____________ e _________ pelos doentes, médicos, organizações de saúde e _________________.
Para ter um impacto real, é necessário obter ______________ amplamente aceites para uma AI responsável e fiável através de um amplo consenso que envolva peritos internacionais e __________________.
confiáveis; aceites; autoridades; orientações; interdisciplinares
A FUTURE é a primeira framework de consenso internacional para orientar o desenvolvimento e a implementação de ferramentas de IA fiáveis nos cuidados de saúde.
Foi fundada em _________, é composta por _______ peritos interdisciplinares de ______ países, representando todos os continentes. Inclui cientistas de IA, investigadores _____________, especialistas em _________, biomédica e cientistas ___________.
2021; 117; 50; clínicos; ética; sociais
A framework FUTURE-AI foi inspirada nos princípios _______ para a gestão de dados.
FAIR
Quais são os princípios FAIR?
Findable; Accessible; Interoperable; Reusable
Quais são os princípios FUTURE?
Fair; Universal; Traceable; Usable; Robust; Explainable
Descreva cada um dos princípios FUTURE.
- Fair (Equidade): estabelece que as ferramentas de IA médica devem manter o mesmo desempenho entre indivíduos e grupos de indivíduos.
- Universal (Universalidade): estabelece que uma ferramenta de AI médica deve ser generalizável fora do ambiente controlado onde foi construída.
- Traceable (Rastreabilidade): estabelece que as ferramentas de IA médica devem ser desenvolvidas em conjunto com mecanismos para documentar e monitorizar a trajetória completa da ferramenta, desde o desenvolvimento e validação até à implementação e utilização (compreender as decisões tomadas pelo sistema).
- Usable (Usabilidade): afirma que os utilizadores finais devem ser capazes de utilizar uma ferramenta de IA para atingir um objetivo clínico de forma eficiente e segura no seu ambiente do mundo real.
- Robust (Robustez): capacidade de uma ferramenta de IA médica manter o seu desempenho e a sua exatidão sob variações previstas ou inesperadas nos dados de entrada.
- Explainable (Explicabilidade): estabelece que as ferramentas de IA médica devem fornecer informações clinicamente significativas sobre a lógica subjacente às decisões de IA.
Quais são as 4 fases pelas quais as técnicas de ML passam até serem completamente integradas na Medicina?
(1) Design Stage
(2) Development Stage
(3) Evaluation Stage
(4) Deployment Stage
