Conforme exposto pelo médico, cardiologista e pesquisador Eric Topol, em artigo publicado em setembro de 2023 na revista Science, a tecnologia das máquinas está sendo capaz de “enxergar” informações de exames tradicionais usados em diagnóstico médico e oferecer conclusões e previsões para os profissionais de saúde a respeito dos casos clínicos dos pacientes.
O Avanço da Visão Computacional na Interpretação de Imagens Médicas
Nos últimos anos, modelos de aprendizado profundo tiveram grande sucesso na interpretação precisa de imagens médicas, como raios-X, tomografias computadorizadas e ressonâncias magnéticas. Máquinas conseguem detectar características nessas imagens que são imperceptíveis aos olhos humanos. Isso fornece informações sobre diversos aspectos da fisiologia humana, como pressão sanguínea, controle glicêmico e risco de doenças.
A Importância do Aprendizado Não-Supervisionado
A maior parte desse progresso se deu através do aprendizado supervisionado, que requer dados rotulados. Porém, foi crucial o uso de aprendizado auto-supervisionado e não-supervisionado, dispensando a necessidade de anotação trabalhosa de dados. Isso permitiu modelos de grande escala, como os LLMs (Large Language Models).
Arquitetura de Transformadores e Modelos Multimodais
Outro avanço fundamental foi a arquitetura de transformadores, introduzida em 2017, que vai além das redes neurais recorrentes. Isso possibilitou modelos lidarem com todos os dados de entrada, não apenas texto. O ápice foi o GPT-4, LLM multimodal capaz de trabalhar com todos os tipos de dados.
Aplicações Multimodais em Medicina
Agora, o processamento multimodal permite analisar em tempo real os diversos tipos de big data sobre um paciente e o conhecimento médico. Isso inclui imagens, biomarcadores, genoma, microbioma, prontuário eletrônico e mais.
As aplicações incluem assistentes de saúde virtuais personalizados, monitoramento remoto contínuo equivalente a UTI, imagens digitais para encontrar tratamentos, vigilância de pandemias com dados individuais e população.
Desafios e Barreiras
A integração de tantas camadas de dados ainda é um desafio. Outras barreiras são a confiança exagerada dos modelos, vieses embutidos, questões de privacidade, aprovação regulatória e resistência à mudança.
Conclusão
A convergência de computação massiva e aprendizado auto-supervisionado possibilitou aplicações médicas antes inalcançáveis. Nos próximos anos, assistentes de saúde virtuais e hospitais residenciais customizados podem se tornar realidade.
Fonte: Revista Science
Aristeu Duarte 