Os algoritmos de inteligência artificial atuais exigem dezenas de milhares de imagens médicas caras para detectar a doença de um paciente. E...
Os algoritmos de inteligência artificial atuais exigem dezenas de milhares de imagens médicas caras para detectar a doença de um paciente. E se pudéssemos reduzir drasticamente a quantidade de dados necessários para capacitar uma IA, fazendo diagnósticos de baixo custo e mais eficazes? O bolsista TED Pratik Shah está trabalhando em um sistema inteligente para fazer exatamente isso. Usando uma abordagem de IA pouco convencional, Shah desenvolveu uma tecnologia que requer apenas 50 imagens para desenvolver um algoritmo de trabalho e pode até usar fotos tiradas em telefones celulares de médicos para fornecer um diagnóstico. Saiba mais sobre como essa nova maneira de analisar informações médicas pode levar à detecção precoce de doenças potencialmente fatais e levar o diagnóstico auxiliado por IA a mais locais de atendimento médico em todo o mundo.
Os algoritmos de computador hoje estão realizando tarefas incríveis com alta precisão, em larga escala, usando inteligência semelhante à humana. Essa inteligência dos computadores é muitas vezes apresentada como IA ou inteligência artificial. A IA está pronta para causar um impacto incrível em nossa vida no futuro. Hoje, no entanto, ainda enfrentamos enormes desafios na detecção e no diagnóstico de várias doenças potencialmente fatais, como as doenças infecciosas e o câncer. Milhares de pacientes, todos os anos, perdem a vida devido ao câncer de fígado e de boca.
Nossa melhor maneira de ajudar esses pacientes é fazendo a detecção precoce e o diagnóstico dessas doenças. Como podemos detectar essas doenças hoje, e a inteligência artificial pode ajudar?
Assim que as imagens são coletadas, outro médico especialista faz o diagnóstico delas e fala com o paciente. Como podem ver, é um processo de recursos muito dispendioso, que exige médicos especialistas e exames de imagem caros, e não é considerado prático para os países em desenvolvimento nem, de fato, para muitos países industrializados.
Podemos resolver esse problema usando inteligência artificial? Hoje, se eu fosse utilizar arquiteturas tradicionais de inteligência artificial para resolver o problema, eu solicitaria primeiro 10 mil, repito, 10 mil dessas imagens médicas muito caras. Depois disso, eu iria a um médico especialista, que, então, analisaria essas imagens para mim. Usando essas duas informações, posso capacitar uma rede neural ou de aprendizagem profunda padrão a fornecer o diagnóstico do paciente. Semelhante à primeira abordagem, as abordagens tradicionais de inteligência artificial sofrem do mesmo problema. Grandes quantidades de dados, médicos especialistas e tecnologias especializadas de imagem médica.
Será que podemos inventar arquiteturas de inteligência artificial mais valiosas, escaláveis e eficazes para resolver esses problemas muito importantes que enfrentamos hoje? É exatamente isso o que meu grupo do MIT Media Lab faz. Temos inventado uma variedade de arquiteturas de IA pouco convencionais para resolver alguns dos desafios mais importantes que enfrentamos hoje em exames de imagem e ensaios clínicos.
No exemplo que compartilhei hoje com vocês, tínhamos dois objetivos:
Para o primeiro objetivo, em vez de começarmos com dezenas e milhares de imagens muito caras, como a IA tradicional, começamos com uma única imagem. A partir dela, minha equipe e eu descobrimos uma maneira muito inteligente de extrair bilhões de pacotes de informação. Esses pacotes incluíam cores, pixels, geometria e renderização da doença na imagem médica. De certa forma, convertemos uma imagem em bilhões de pontos de dados de formação, reduzindo bastante a quantidade de dados necessários para a formação.
Para o segundo objetivo, reduzir o uso de tecnologias caras de imagem médica para examinar pacientes, começamos com uma fotografia padrão, de luz branca, obtida a partir de uma câmera DSLR ou de um telefone celular para o paciente. Lembram-se dos bilhões de pacotes de informação? Sobrepusemos os da imagem médica a essa imagem, criando algo que chamamos de imagem composta. Para nossa surpresa, precisamos apenas de 50, repito, apenas 50 dessas imagens compostas para capacitar nossos algoritmos para altos rendimentos.
Para resumir nossa abordagem, em vez de usarmos 10 mil imagens médicas muito caras, podemos capacitar os algoritmos de IA de um modo pouco convencional, usando apenas 50 dessas fotografias de alta resolução, porém, padrão, obtidas de câmeras DSLR e telefones celulares, e fornecer o diagnóstico. Principalmente, nossos algoritmos podem aceitar, no futuro e até neste momento, algumas fotos muito simples, de luz branca, do paciente, em vez de tecnologias de imagens médicas caras.
Acredito que estamos prontos para entrar em uma era em que a inteligência artificial irá causar um impacto incrível em nosso futuro. Quando pensamos na IA tradicional, rica em dados, mas pobre em aplicativos, devemos também continuar pensando em arquiteturas pouco convencionais de IA, que aceitem pequenas quantidades de dados e resolvam problemas importantes, especialmente na assistência médica.
Muito obrigado.
(Aplausos)
Fonte: TED
[Visto no Brasil Acadêmico]
Os algoritmos de computador hoje estão realizando tarefas incríveis com alta precisão, em larga escala, usando inteligência semelhante à humana. Essa inteligência dos computadores é muitas vezes apresentada como IA ou inteligência artificial. A IA está pronta para causar um impacto incrível em nossa vida no futuro. Hoje, no entanto, ainda enfrentamos enormes desafios na detecção e no diagnóstico de várias doenças potencialmente fatais, como as doenças infecciosas e o câncer. Milhares de pacientes, todos os anos, perdem a vida devido ao câncer de fígado e de boca.
Nossa melhor maneira de ajudar esses pacientes é fazendo a detecção precoce e o diagnóstico dessas doenças. Como podemos detectar essas doenças hoje, e a inteligência artificial pode ajudar?
Para pacientes que, infelizmente, são suspeitos de terem essas doenças, um médico especialista pede primeiro a realização de exames de imagem caros, tais como imagens fluorescentes, tomografias, imagens de ressonâncias.
Assim que as imagens são coletadas, outro médico especialista faz o diagnóstico delas e fala com o paciente. Como podem ver, é um processo de recursos muito dispendioso, que exige médicos especialistas e exames de imagem caros, e não é considerado prático para os países em desenvolvimento nem, de fato, para muitos países industrializados.
Podemos resolver esse problema usando inteligência artificial? Hoje, se eu fosse utilizar arquiteturas tradicionais de inteligência artificial para resolver o problema, eu solicitaria primeiro 10 mil, repito, 10 mil dessas imagens médicas muito caras. Depois disso, eu iria a um médico especialista, que, então, analisaria essas imagens para mim. Usando essas duas informações, posso capacitar uma rede neural ou de aprendizagem profunda padrão a fornecer o diagnóstico do paciente. Semelhante à primeira abordagem, as abordagens tradicionais de inteligência artificial sofrem do mesmo problema. Grandes quantidades de dados, médicos especialistas e tecnologias especializadas de imagem médica.
Será que podemos inventar arquiteturas de inteligência artificial mais valiosas, escaláveis e eficazes para resolver esses problemas muito importantes que enfrentamos hoje? É exatamente isso o que meu grupo do MIT Media Lab faz. Temos inventado uma variedade de arquiteturas de IA pouco convencionais para resolver alguns dos desafios mais importantes que enfrentamos hoje em exames de imagem e ensaios clínicos.
No exemplo que compartilhei hoje com vocês, tínhamos dois objetivos:
- O primeiro era reduzir o número de imagens necessárias para capacitar os algoritmos de IA.
- O segundo objetivo era mais ambicioso: reduzir o uso de tecnologias caras de imagem médica para examinar pacientes. Como fizemos isso?
Para o primeiro objetivo, em vez de começarmos com dezenas e milhares de imagens muito caras, como a IA tradicional, começamos com uma única imagem. A partir dela, minha equipe e eu descobrimos uma maneira muito inteligente de extrair bilhões de pacotes de informação. Esses pacotes incluíam cores, pixels, geometria e renderização da doença na imagem médica. De certa forma, convertemos uma imagem em bilhões de pontos de dados de formação, reduzindo bastante a quantidade de dados necessários para a formação.
Para o segundo objetivo, reduzir o uso de tecnologias caras de imagem médica para examinar pacientes, começamos com uma fotografia padrão, de luz branca, obtida a partir de uma câmera DSLR ou de um telefone celular para o paciente. Lembram-se dos bilhões de pacotes de informação? Sobrepusemos os da imagem médica a essa imagem, criando algo que chamamos de imagem composta. Para nossa surpresa, precisamos apenas de 50, repito, apenas 50 dessas imagens compostas para capacitar nossos algoritmos para altos rendimentos.
Para resumir nossa abordagem, em vez de usarmos 10 mil imagens médicas muito caras, podemos capacitar os algoritmos de IA de um modo pouco convencional, usando apenas 50 dessas fotografias de alta resolução, porém, padrão, obtidas de câmeras DSLR e telefones celulares, e fornecer o diagnóstico. Principalmente, nossos algoritmos podem aceitar, no futuro e até neste momento, algumas fotos muito simples, de luz branca, do paciente, em vez de tecnologias de imagens médicas caras.
Acredito que estamos prontos para entrar em uma era em que a inteligência artificial irá causar um impacto incrível em nosso futuro. Quando pensamos na IA tradicional, rica em dados, mas pobre em aplicativos, devemos também continuar pensando em arquiteturas pouco convencionais de IA, que aceitem pequenas quantidades de dados e resolvam problemas importantes, especialmente na assistência médica.
Muito obrigado.
(Aplausos)
Fonte: TED
[Visto no Brasil Acadêmico]
Comentários