Aula 10 - Inteligência Artificial em Medicina Flashcards
Inteligência Artificial (IA)
(Definição)
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.
Por que razão a adoção da IA na saúde é mais limitada do que noutras áreas?
Porque, contrariamente à maioria das restantes áreas, na saúde há vidas em causa, pelo que a integração da IA deve ser feita de forma muito regulada e cautelosa.
Importância dos dados em IA
A boa performance da IA está dependente não só da escolha de um algoritmo adequado, mas também (e sobretudo) da quantidade e qualidade dos dados. Um modelo é tão bom quanto os seus dados.
Como lidar com dados em IA?
(Passos associados ao uso de dados nos algoritmos de IA)
1) Recolha de dados
2) Curadoria de Dados: limpeza e organização dos dados
3) Critérios de Inclusão/Exclusão
4) Processamento dos dados: anotações, qualidade, etc.
5) Divisão dos dados
* Dados de treino: utilizados para treinar o modelo
* Dados de validação: utilizados para hyperparameter tuning (otimizar o modelo)
* Dados de teste: utilizados para avaliar o desempenho do modelo
Machine Learning (ML)
(Definição)
Implementação dos métodos de
computação (algoritmos) que suportam a IA.
Deep Learning (DL)
(Definição)
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.
Convolutional Neural Networks (CNN)
(Definição)
Classe especializada de algoritmos de DL para processar dados estruturados (e.g., imagens), através da aprendizagem automática de caraterísticas espaciais e hierárquicas.
Principais tipos de algoritmos de ML
(Nome + descrição)
- Supervised learning: o algoritmo aprennde a partir de dados rotulados com resultados conhecidos.
- Unsupervised learning: o algoritmo aprende com dados não rotulados, agrupando-os por semelhanças através do reconhecimento de padrões.
- Semi-supervised learning: o algoritmo utiliza métodos de ML supervisionados para rotular os dados.
- Reinforcement learning: o algoritmo é treinado para realizar ações num ambiente que maximiza as recompensas ao longo do tempo.
- Transfer learning: o algoritmo aprende inicialmente com features mais gerais e depois aprende com features mais específicas consoante a aplicação.
Camadas das CNN
(Nome + função)
- Camadas de Convolução: detetar padrões nos dados de entrada.
- Camadas de Pooling: Reduzir a dimensão espacial dos dados, preservando informações importantes.
- Camadas Fully Connected (Totalmente Conectadas): combinar as características extraídas pelas camadas anteriores e “tomar decisões finais”.
Tarefas principais das CNN
- Classificação
- Segmentação
- Deteção
- Geração
Motivo do sucesso do DL
Ao contrário de outros algoritmos que chegam a um “ponto de saturação máximo” da performance (independentemente da quantidade de dados), a peformance dos algoritmos de DL aumenta com a quantidade de dados.
Vantagens e desvantagens da pipeline de ML
Vantagens:
* Versátil
* Controlo e interpretação clara de todas as etapas
* Adaptável a diversos tipos de dados
Desvantagens:
* Requer segmentação demorada e precisa (o médico tem de definir rigorosamente as bordas, pelo que está sujeito a variabilidade intra- e inter-observador)
* Muito demorada
* Performance muito dependente da segmentação e qualidade das features
* Resultados aceitáveis, mas não ótimos e pouco generalizáveis
Vantagens e desvantagens da pipeline de DL com CNN
Vantagens:
* Não requer segmentação (o médico apenas define uma região de interesse aproximada), nem extração e seleção de features
* Capta padrões complexos em imagens
* Bons resultados e boa generalização
* Pipeline simples e não exaustiva
Desvantagens:
* Requer um grande conjunto de dados
* Requer mais recuros e tempo computacional
* Pode ainda ser visto como “black box”
Áreas de aplicação da IA em Medicina
- Imagiologia
- Análises clínicas laboratoriais
- Genómica
- Desenvolvimento de fármacos
- Cuidados centrados no paciente
IA em Imagiologia
(Exemplos + vantagens)
Algoritmos de classificação com elevada sensibilidade para detetar cancro podem aumentar a precisão da deteção, especialmente combinados com a elevada especificidade dos profissionais de saúde.
IA em Análises clínicas laboratoriais
(Exemplos + vantagens)
Sistemas automatizados com IA de análise de amostras são vantajosos pois:
* simplificam o processo de análise
* analisam automaticamente testes/imagens de microbiologia clínica
* poupam tempo (mais eficientes que análises manuais)
* minimizam erros (quer pré-teste, quer na análise)
* melhoram a qualidade dos resultados
* melhor precisão de deteção
* optimizam os processos de armazenamento e gestão
* realizam controlo de qualidade (detetando tendências nas amostras)
* podem gerar relatórios automáticos
A IA pode estar envolvida em todo o processo de análises clínicas laboratoriais.
IA em Genómica
(Exemplos + vantagens)
Análise IA do perfil genético individual que permite avanços na medicina personalizada, através de:
* diagnósticos mais precisos
* tratamentos adaptados ao perfil genético
* identificação precoce de predisposições genéticas a doenças
* aceleração na descoberta de novos fármacos
IA em Desenvolvimento de fármacos
(Exemplos + vantagens)
IA pode interferir no design de novos fármacos ou na predição do seu comportamento (e.g., efeitos de interação, toxicidade, etc.), permitindo:
* redução dos custos e tempo de produção de medicamentos
* melhoria das taxas de sucesso dos medicamentos
* tratamentos personalizados que permitem melhores resultados
IA em Cuidados centrados no paciente
(Exemplos + vantagens)
A IA tem um papel central na medicina personalizada e cuidados centrados no paciente, através de:
* assistência de saúde virtual (chatbots 24h para prestar apoio, gerir consultas e definir lembretes)
* apoio à saúde mental (aconselhamento virtual através de análise de sentimentos e acompanhamento do estado de espírito)
* melhoria da educação dos pacientes (facilita a compreensão dos pacientes sobre as suas condições de saúde e tratamentos)
Por que razão a imagiologia é a área da medicina com maior aplicação das ferramentas de IA?
- Dados estruturados (imagens)
- Tarefas bem definidas
- Bases de dados organizadas, extensas e públicas (fácil acesso)
- Impacto clínico significativo (já que a evolução da imagiologia leva a dados mais complexos e ao aumento do tempo de análise)
Principais limitações e desafios da IA em Medicina
- Dependência excessiva da IA pode levar à perda de indicações clínicas (confiança excessiva e desleixo por parte dos médicos).
- Qualidade e disponibilidade de dados (a obtenção de conjuntos de dados grandes e diversificados em Medicina pode ser um desafio).
- Enviesamento dos algoritmos, desigualdades nos resultados e falta de generalização (dados de treino enviesados).
- Falta de robustez e generalização: as ferramentas de AI podem ter um desempenho inferior em cenários do mundo real (mesmo tendo resultados promissores em ambiente controlado).
- Desafios regulamentares e éticos sobre a autonomia e a responsabilidade pelas decisões e erros dos sistemas de IA.
- Interoperabilidade e explicabilidade para aumentar a transparência e a confiança em IA.
- Integração com os métodos tradicionais.
O que deve ser feito para aumentar a adoção de IA na prática clínica?
As tecnologias de IA devem ser transparentes, confiáveis e aceites pelos doentes, médicos, organizações e autoridades, requerendo orientações e boas práticas amplamente aceites para todo o ciclo de vida da IA médica.
Princípios orientadores da framework FUTURE-AI para as ferramentas de AI
- Fair (Equidade): devem manter o mesmo desempenho independendemente do individuo.
- Universal (Universalidade): deve ser generalizável fora do ambiente controlado.
- Traceable (Rastreabilidade): devem documentar e monitorizar a trajetória completa da ferramenta (desenvolvimento, validação, implementação e utilização).
- Usable (Usabilidade): devem garantir que os utilizadores finais são capazses de utilizar de forma segura e eficiente.
- Robust (Robustez): devem manter o seu desempenho e exatidão, mesmo em condições imprevistas.
- Explainable (Explicabilidade): devem fornecer informações clinicamente significativas.
