Estudo da equipe clínica do Hospital Geral de Massachusetts alcançou mais de 90% de precisão na detecção da doença com o uso de algoritmo deep learning, inclusive em casos precoces
Publicada no periódico Plos One, nova pesquisa desenvolvida no Hospital Geral de Massachusetts alcança 90,2% de precisão na determinação de quadros de doença de Alzheimer, por meio da inteligência artificial (IA). O algoritmo responsável pelo resultado é chamado de MUCRAN (Multi-Confound Regression Adversarial Network) e foi treinado com mais de 17 mil exames de ressonância magnética para ser capaz de detectar padrões que levam ao diagnóstico da doença.
O mecanismo de inteligência artificial é classificado como “deep learning”, isto é: tem a capacidade de analisar as informações coletadas assim como um cérebro humano, graças à sua modulação ligada a sinais de sensores que possibilitam uma execução mais segura e confiável do entendimento dos dados. Além da conquista de diagnósticos, a tecnologia ainda é capaz de estipular cenários de incerteza, impedindo a categorização equivocada de resultados.
Para a análise, foram usados exames de ressonância magnéticas rotineiros realizados no hospital e anteriores ao ano de 2019, que já compunham o banco de dados da instituição, e respeitando a proteção de dados dos pacientes. Dentre elas, os pesquisadores tiveram o cuidado de dividir em variados grupos, considerando pacientes com doença de Alzheimer e outros sem, como grupo de controle, para que o MUCRAN tivesse parâmetros adequados para a definição de seus padrões analíticos.
Após as análises, um dos grandes diferenciais descobertos está no fato de que o algoritmo consegue detectar a doença de Alzheimer independentemente das questões preditoras dos pacientes, despontando por ser um método capaz de analisar até mesmo os casos precoces da doença, que costumam ser mais difíceis de rastrear e tratar.
Apesar dos resultados iniciais positivos, ainda é cedo para dar início à aplicação da inteligência artificial na medicina diagnóstica, devido às dificuldades de padronização dos métodos de coleta das imagens e divergências técnicas entre as instituições de saúde.
“Estender essa tecnologia para outros ambientes clínicos passa também por desafios práticos. Em comparação com as imagens coletadas em ambientes de pesquisa, os dados de imagens clínicas geralmente têm qualidade inferior e são mais diversos em variáveis. Além disso, máquinas e técnicas clínicas usadas para adquirir dados diferem entre as configurações. Assim, um modelo de algoritmo deep learning criado para um hospital não necessariamente conseguirá os mesmos resultados ao analisar os dados de outro”, afirmam os pesquisadores.
Os resultados obtidos são mais um passo no aprofundamento da relação entre a medicina e a IA, mas ainda precisam ser complementados por outras pesquisas adicionais que constatem sua viabilidade para além do ambiente controlado.
“Adversarial confound regression and uncertainty measurements to classify heterogeneous clinical MRI in Mass General Brigham” é um estudo de autoria de Matthew Leming, Sudeshna Das e Hyungsoon Im e foi publicado em março de 2023 pela Plos One. Ele pode ser acessado na íntegra por meio do DOI: https://doi.org/10.1371/journal.pone.0277572
Apoiado por
