Inteligência Artificial em Medicina Flashcards
Como se pode definir AI?
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 compreensão da linguagem
que palavras estão sempre presentes não definições de AI?
- computer science
- intelligence
- computers
- people/human
A industria da saúde está no top 10 industrias que mais estão a adotar a IA?
sim, lugar 9
quais os dois paises que mais estão a adotar a IA?
EUA e china
em IA escolher o algoritmo correto é o mais imortante?
não, escolher os dados corretos é tão ou mais importante que o algoritmo correto
Quais são os cuidados a ter com os dados antes da implementação do algoritmo?
- recolha
- curadoria de dados (limpeza e organização)
- critérios de inclusão/exclusão
- processamento dos dados
- divisão dos dados (teste, treino, validação)
se os dados forem bons, o todos os algoritmos têm um bom desempenho?
não, continuamos a precisar de um algoritmo robusto para os tornar úteis
no que consiste machine learning?
implementação dos métodos de computação (algoritmos) que suportam a AI
que tipos de algoritmos de machine learning existem?
- classic learning (supervised e unsupervised)
- reinforcement learning
- neural networks
- deep learning
- anomaly detection
- ensemble methods
o que é semi-supervised learning?
o algoritmo ML utiliza métodos de ML supervisionados para rótular os dados
o que é reinforcement learning?
treinar o algoritmo de ML para realizar ações num ambiente de modo a maximizar as recompensas ao longo do tempo (Ex: tumor, jogo quente-frio)
o que é deep learning?
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
o que são convolutional neural networks (CNN)
são uma classe epecializada de algoritmos de DL para processar dados estruturados (Ex: imagens) através da aprendizagem automática de caracteristicas espaciais e hiérarquicas
o que são camadas de concolução em CNN?
detetar padrões nos dados de entrada
o que são camadas de Pooling em CNN?
reduzir a dimensão espacial dos dados, preservando informações importantes
o que são camadas fully connected em CNN?
combinar as caracteristicas extraídas pelas camadas anteriores e “tomar decisões finais”
quais as tarefas principais de CNN?
- classificação (assigning labels to images)
- segmentação (assigning objects categoty labels to each pixel)
- deteção (locating and outlining specific entities)
- geração (remoção de reído, gerar imagens sintéticas) - GANS (generative adversarial networks)
vantagens da pipeline de ML tradicional
- versátil
- controlo/interpretação clara de todas as fases
- adaptável a diversos tipos de dados
desvantagens da pipeline de ML tradicional
- depende da segmentação e da qualidade das features extraídas
- time-consuming pipeline
- time-consuming para médicos (segmentação tem de ser precisa)
- resultados aceitáveis mas não ótimos (e pouco generalizáveis)
vantagens da pipeline de DL
- não é necessária segmentação, nem extração e seleção de features (rápido e automático)
- consegue captar padrões complexos nas imagens
- bons resultados e com boa generalização
- pipeline simples, não exaustiva
desvantagens da pipeline de DL
- precisa de uma grande conjunto de dados
- necessários mais recursos e maior tempo computacional
- era visto como “black box” (ultrapassado com as tecnicas de heat maps)
qual a área da medicina com maior aplicação e absorção real de ferramentas de AI? e porquê?
Imagiologia, com a evolução da área os dados ficam mais complexos e há um maior tempo de análise, que pode ser diminuído com a AI
Ex: classificar quanto à presença ou ausência de cancro da mama
(complementar ao radiologista)
o que é sensibilidade de um algoritmo?
probabilidade de um teste ser positivo se o indivíduo tiver a doença
(recall)
o que é especificidade do algoritmo?
probabilidade de um teste ser negativo se o individuo não tiver a doença
Os sistemas automáticos aumentam significativamente a necessidade de processamento manual de amostras, simplificando assim o processo de analise e otimizando o tempo.
Verdade ou falso?
Falso
Os sistemas automáticos diminuem significativamente a necessidade de processamento manual de amostras, simplificando assim o processo de analise e otimizando o tempo
como AI reduz erros que podem ocorrer na fase de pré-teste de análises clinicas?
analisando automaticamente características das amostras e sinalizando problemas, garantindo que apenas amostra adequadas avançam no processo
Ex: hemólise
a tecnologia ML pode ser integrada na microbiologia clinica? como?
sim, para analisar imagens e detetar agentes patogénicos, conduzindo a uma maior eficiencia do trabalho e precisão da deteção
Exemplos de funções em que a AI está envolvida nas análises clínicas laboratoriais
- comunicação dos resultados, através da geração automática de relatórios
- optimização dos processos de armazenamento e recuperação de amostras (sistemas de inventário)
- controlo de qualidade, analisando tendências nos resultados dos testes para identificar anomalias ou inconsistências
como a AI pode ser útil na área de Genómica?
- personalização de tratamentos com base no perfil genético individual
- identificação precoce de predisposições genéticas a doenças
- aceleração na descoberta de novos fármacos
quais os principais beneficios da incorporação do AI no desenvolvimento de medicamentos?
- redução de 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 os doentes
cuidados centrados no paciente com base em AI
- assistência de saúde virtual (chatbots)
- apoio à saúde mental (plataformas especializadas)
- melhoria da educação dos pacientes (dá infos sobre as condições de saúde)
Quais as fragilidades/perigos da AI na Medicina?
- Dependência excessiva que pode levar à perda de indicações clinicas (ignoram-se pormenores subtis)
- Enviesamento dos algoritmos, desigualdades, desigualdades nos resultados e falta de generalização (dados de treino não representativos)
- AI pode ter um menos desempenho no mundo real
- Preocupações éticas sobre autonomia e responsabilidade (tomada de decisão)
O que é necessário para a AI aumentar o seu impacto na medicina no mundo real?
- orientações amplamente aceites
- amplo consenso que envolva peritos internacionais e interdisciplinares
Qual é a primeira framework de consenso internacional para orientar o desenvolvimento e a implementação de AI fiável em medicina?
FUTURE - AI
que fases da criação de um AI abrange a framework FUTURE-AI?
abrange todo o ciclo de vida da AI:
- conceção
- desenvolvimento
- validação
- regulamentação
- implementação
- monitorização
a FUTURE- AI tem peritos interdisciplinares de todos os continentes?
sim
(cientistas de AI, investigadores clinicos, especialistas em ética biomédica e cientistas sociais)
a framework FUTURE-AI foi inspirada em que princípios de gestão de dados?
principios FAIR
Princípios FAIR, o que significa a sigla?
Findable (facilmente identificados)
Accessible (acessíveis)
Interoperable (formatos de fácil interoperação)
Reusable (reutilizáveis)
A siga FUTURE- AI, define também os seus princípios orientadores, quais são? (o que significa a sigla?)
Fair (equidade: o AI deve manter o mesmo desempenho entre todos os indivíduos)
Universal (AI deve ser generalizável fora do ambiente controlado onde foi construído)
Traceable (Rastreabilidade: AI deve ter a tua trajetoria completa documentada e monitorizada, desde o desenvolvimento à utilização)
Usable (os utilizadores finais devem ser capazes de usar a AI de forma eficiente e segura no mundo real)
Robust (AI deve manter o desempenho e exatidão sob variações inesperadas)
Explainable (AI deve fornecer infos clinicamente relevantes sobre a lógica das suas decisões)
Desafios para a IA em medicina
- Qualidade e disponibilidade dos dados: é preciso dados de alta qualidade para treinar os modelos, mas em medicina uma boa representatividade é dificil
- Interpretabilidade e Explicabilidade: tem que se evitar algoritmos em “caixas negras” para ser possível explicar as decisões
- Robustez e generalização: os modelos são treinados em ambientes de dados especificos e depois podem ter dificuldade no mundo real
- Integração com os médicos tradicionais: integrar AI em metodologias já existentes de forma eficaz (colaboração de peritos interdisciplinares)
- Desafios regulamentares e éticos: garantir conformidade com FDA, considerações éticas (preconceito, justiça, privacidade)
