ciência de leitura rápida
Tecnologia RapidRead
- A Inteligência Artificial (IA) é inegavelmente uma parte de nossas vidas cotidianas. Como veterinários, temos a responsabilidade de nos educar sobre a IA e o impacto que ela terá em nossas práticas e no atendimento de nossos pacientes.
- Este artigo explica o aprendizado de máquina no contexto do diagnóstico de imagem veterinária e analisa como o AIS está posicionado de maneira única para desenvolver um produto de IA forte e preciso.
Artigo escrito por Diane U. Wilson, DVM, DACVR (agosto de 2023)
Sinopse de IA e Machine Learning
Inteligência Artificial na Antech Imaging Services
Achamos que sabemos sobre inteligência artificial (IA) e aprendizado de máquina (ML). Afinal, nós o encontramos todos os dias em nossas atividades da vida diária. A inteligência artificial pode ser conveniente quando visa tópicos de notícias adaptados aos nossos interesses em nossos dispositivos eletrônicos. Podemos achar irritante, ou até mesmo uma invasão de privacidade, quando ele direciona anúncios de marketing para nossas pesquisas mais comuns na Internet. Ficamos fascinados quando nosso dispositivo Alexa, Cortana ou Google aparentemente consegue manter uma conversa conosco. Podemos ficar entusiasmados com a perspectiva de como a IA pode melhorar nossa qualidade de vida e, ao mesmo tempo, ficar preocupados com a possibilidade de um dia a IA atingir a consciência e começar a tomar decisões que podem ser catastróficas, como em algum cenário de filme de Hollywood. Ao nos prepararmos para interagir ainda mais com a IA na medicina veterinária, precisamos resolver esse conflito entre otimismo e pessimismo. Para fazer isso, devemos primeiro entender a diferença entre aprendizado de máquina generativo e discriminativo.
O suporte para o nosso processo
Ensinar um computador a ler imagens: uma colaboração multidisciplinar O AIS aproveitou a experiência em toda a organização e fora dela
APRENDIZAGEM DE MÁQUINA
Em modelos generativos de aprendizado de máquina (ou algoritmos), a máquina pode criar soluções não programadas anteriormente. Um exemplo é o chatbot, ChatGPT, que pode aprender, criar e evoluir conversas conforme vai sendo usado. Considerando que, em modelos discriminativos de aprendizado de máquina, a máquina resolve informações apenas em classificações para as quais está programada. Ou seja, ele apenas identifica e categoriza o que foi inicialmente treinado para identificar e categorizar. Um modelo de aprendizado discriminativo não pode evoluir para algo mais. Atualmente, o AIS usa apenas modelos discriminativos para técnicas de aprendizado de máquina. (Figura 1)
Independentemente de você ser otimista ou pessimista, já existe um uso significativo de IA na medicina veterinária. Como em outras áreas da vida cotidiana, o uso da inteligência artificial pode ser transparente para o usuário. Quer o usuário final seja um clínico geral, técnico veterinário ou especialista, pode não ser evidente que a inteligência artificial foi empregada, total ou parcialmente, para alcançar um objetivo. Às vezes, a IA é usada para auxiliar outro programa no fluxo de trabalho ou para auxiliar um especialista no fornecimento de informações de diagnóstico. Menos comumente, a IA realiza um teste de diagnóstico completo sem entrada humana.
Como acontece com qualquer nova tecnologia, a IA deve ser respeitada pela tecnologia infantil que é. Como desenvolvedores e usuários, somos responsáveis por nos informar sobre as capacidades e limitações da máquina. Os usuários finais devem entender as diferenças entre quaisquer ferramentas novas e ferramentas tradicionais nas quais confiamos atualmente. Os desenvolvedores devem pensar e mapear completamente as implicações da nova ferramenta. Isso significa não apenas focar nos benefícios que ela traz, mas também avaliar os danos que podem causar e tomar medidas responsáveis para mitigá-los.
Existem três componentes principais necessários para criar uma ferramenta de IA forte e precisa. Construir modelos de IA requer grandes quantidades de dados, especialistas de domínio e cientistas de dados. A Antech Imaging Services (AIS) e a Mars estão posicionadas de maneira única para reunir todos os componentes necessários para criar ferramentas de diagnóstico de IA para melhorar o rendimento do paciente, acelerar as informações para o ponto de atendimento e melhorar a medicina veterinária para animais de estimação, clientes, veterinários e técnicos.
Inteligência artificial
já está presente
em Medicina Veterinária
Os fluxos de trabalho são aprimorados com IA todos os dias. A inteligência artificial está lidando com tarefas mundanas, como medições instantâneas do tamanho do coração vertebral, medições lineares e volumétricas, orientação de imagens para visualização e identificação e contagem mecânica de células em um slide. Isso permite que especialistas, veterinários e técnicos concentrem a atenção humana onde ela é mais necessária – no paciente.
Os relatórios são criados em segundos e enviados para profissionais de várias especialidades, permitindo que as próximas etapas no atendimento ao paciente ocorram mais cedo. Relatórios gerados por máquina economizam o tempo dos profissionais ao escrever o prontuário médico e permitem que sua atenção se concentre nos pacientes e clientes.
Na patologia, a IA reconhece e conta figuras mitóticas e pode diferenciar os tipos de tecido para auxiliar os patologistas em seu fluxo de trabalho. Em cardiologia, o aprendizado de máquina é usado para ler eletrocardiogramas e fornecer informações ao médico em questão de minutos. Isso é valioso para exames pré-anestésicos, onde informações oportunas ajudam os médicos a tomar decisões sobre a realização de cirurgias eletivas e se precauções especiais são necessárias em cirurgias urgentes. Na medicina humana, a IA é usada para monitorar pacientes durante a anestesia. Tem havido interesse expresso entre anestesiologistas veterinários em ter IA monitorando nossos pacientes veterinários.
O aprendizado de máquina deve ser realizado com responsabilidade
Conforme declarado anteriormente, é crucial que os usuários finais e desenvolvedores sejam educados e entendam as implicações positivas e negativas de uma determinada ferramenta de IA. Existem três requisitos principais para o desenvolvimento de modelos fortes e precisos. São grandes quantidades de dados, cientistas de dados e especialistas em domínio. Vamos discuti-los do ponto de vista do diagnóstico por imagem.
Grandes quantidades de dados são necessárias para treinar um modelo em cada descoberta. Sem dados, não podemos afirmar de forma confiável reivindicações de precisão, sensibilidade e especificidade. Nas pessoas, dizemos que alguém é especialista em um determinado achado de imagem quando há experiência de pelo menos 500 casos desse achado. Infelizmente, não é assim que uma máquina aprende.
No AIS, determinamos que podemos ter certeza do nível medido de precisão, sensibilidade e especificidade de um modelo para uma determinada descoberta, quando o modelo encontrou de quatro a cinco mil instâncias dessa descoberta. Para achados comuns, como um padrão brônquico pulmonar, pode ser fácil obter o número necessário de casos para garantir a precisão. Para achados menos comuns, como discoespondilite, pode levar mais tempo e exigir colaboração entre vários grupos para obter o número necessário de casos para treinar o modelo com confiança.
Além de muitos casos necessários para treinar o modelo, muitos outros casos de uma determinada descoberta são necessários para testar o modelo. Depois que um modelo é considerado preciso em um determinado achado e, portanto, pode ser liberado para uso como uma ferramenta de diagnóstico para hospitais, o modelo deve ser testado periodicamente para garantir precisão contínua e que nenhum desvio tenha ocorrido. A deriva ocorre quando há mudanças sutis no ambiente, como mudanças/melhorias nos equipamentos ao longo do tempo, mudanças no espaço eletrônico, mudanças/avanços na técnica, etc. Cada vez que um modelo para uma determinada descoberta é testado, muitos outros casos com essa descoberta são necessários para avaliar com confiança a precisão, sensibilidade e especificidade e fazer os ajustes necessários. Se forem feitos ajustes, mais dados serão necessários para testar esses ajustes.
Especialistas de domínio (especialistas certificados pelo conselho) são necessários para treinar e medir a precisão de cada modelo. Radiologistas (patologistas, cardiologistas, dentistas, etc.) passam horas rotulando imagens e oferecendo dados corrigidos para serem usados para treinar, avaliar e retreinar a máquina. Além disso, é necessário incluir uma equipe de especialistas no domínio para que haja consenso, e a máquina não é treinada na opinião de um indivíduo. Investigações de terceiros devem ser usadas para validar a precisão em casos conhecidos.
Os cientistas de dados são a base da equipe de programação necessária para desenvolver algoritmos de modelo. As melhores equipes incluem cientistas de dados com visão para o produto, forte colaboração com especialistas de domínio e conhecimento das necessidades do usuário final. Uma equipe diversificada com subespecialidades exclusivas (segmentação, regressão, análise de dados, vários softwares), bem como uma sólida compreensão de todos os aspectos da ciência de dados, formam uma equipe robusta, capaz de enfrentar obstáculos com soluções criativas.IA no AIS
A AIS e a Mars estão posicionadas de forma única com acesso interno a todos os três principais requisitos para o desenvolvimento de um produto de IA forte e preciso. A AIS oferece serviços de telerradiologia desde 1999. Com 24 anos de relatórios de radiologistas certificados e aproximadamente 8 bilhões de imagens armazenadas, grandes quantidades de dados estão prontamente disponíveis. Muitos dos casos têm acompanhamento hospitalar e laudos de patologia com diagnóstico definitivo.
Quinze radiologistas certificados na equipe AIS AI trabalham incansavelmente para rotular imagens, fornecer feedback sobre avaliações de IA e manter o controle de qualidade em relatórios de estudos piloto para garantir que o atendimento ao paciente permaneça primordial. A equipe de tecnologias de próxima geração da Mars Science and Diagnostics inclui uma equipe de dez cientistas de dados financiada pelo AIS, cada um com ampla experiência, um conjunto exclusivo de qualificações e uma ampla compreensão do aprendizado de máquina.
O resultado é o RapidRead Radiology da AIS, que está em estudos piloto há quase dois anos nos Estados Unidos e na Europa. Com a ajuda dos hospitais da família Mars e não pertencentes à Mars que participam dos estudos-piloto, o RapidRead Radiology tornou-se uma ferramenta de diagnóstico robusta que fornece consulta de nível especializado para muitas descobertas em questão de minutos. Durante os estudos-piloto, o RapidRead provou ser útil para clínicos gerais, especialistas e médicos de atendimento noturno e de emergência. Atualmente, a RapidRead Radiology avalia mais de 50 achados no tórax, abdômen e membros de cães e gatos (Figura 2) sem que nenhum achado seja divulgado, a menos que seja provado ser pelo menos 95% tão preciso quanto o consenso de nossa equipe de especialistas certificados radiologista.
A aplicação clínica de uma lista de achados significa que vários achados diferentes podem estar presentes em qualquer relatório. Cada achado individual pode ter uma precisão de pelo menos 95%; no entanto, deve-se levar em consideração a contribuição geral de informações do relatório para o caso.
As estatísticas atuais de controle de qualidade do AIS demonstram que a ferramenta RapidRead responde adequadamente à questão clínica associada a qualquer caso em 82% das vezes quando usada sozinha e sem supervisão do radiologista. Quando a supervisão do radiologista é empregada com a revisão do RapidRead, o número de relatórios que contribuem com informações significativas para um caso aumenta para 92%. Os 8% restantes dos casos enviados são inadequados para revisão do RapidRead porque a IA não é treinada para a parte do corpo, espécie ou modalidade nas imagens enviadas. (Figura 3)
A precisão do radiologista foi relatada em aproximadamente 96% (apenas 4% de taxa de erro). Por esse motivo, o AIS implementa um forte sistema de controle de qualidade com radiologistas certificados prontamente no circuito por meio da revisão diária da qualidade dos casos enviados, roteamento automático de achados emergentes para revisão do radiologista e envio com um clique para solicitar uma revisão do radiologista. Quando a ferramenta RapidRead é usada corretamente e em conjunto com a supervisão robusta do radiologista, a contribuição de informações úteis para o caso e a precisão aproximam-se de 100%.
Apesar do alto nível de concordância entre o RapidRead e os relatórios de leitura do radiologista, entender o uso adequado da IA para gerar relatórios de radiologia continua sendo o fator determinante para a utilidade dessa ferramenta para uma clínica individual. Dada a semelhança na aparência e ‘sensação’ do relatório RapidRead (Figura 4) e um relatório de um radiologista, é fácil cair na crença de que o RapidRead é o equivalente a um ‘radiologista mecânico’ avaliando todas as possíveis anormalidades como um radiologista. No entanto, isso está longe de ser o caso. Um modelo de inteligência artificial avaliará apenas as descobertas para as quais foi treinado. Por exemplo, ao examinar a lista de descobertas do RapidRead (Figura 2), fica evidente que a verificação de gravidez (contagem de filhotes) não está na lista. Enviar uma consulta ao RapidRead esperando saber se a paciente está grávida ou quantos filhotes estão presentes não forneceria informações úteis. Considere a analogia de um hemograma completo (CBC) versus um painel químico. Não enviaríamos um hemograma esperando receber informações sobre enzimas hepáticas, pois entendemos que os níveis de enzimas hepáticas não fazem parte da ferramenta de teste de hemograma completo. Aproximadamente 8% dos casos submetidos ao RapidRead são impróprios para avaliação pela máquina. Ou seja, inclui-se uma parte do corpo, espécie ou modalidade para a qual a máquina ainda não foi treinada.
Também é importante lembrar a diferença entre modelos de IA discriminativos e generativos descritos anteriormente neste artigo e que o RapidRead é construído com modelos de programação de IA discriminativos, não modelos generativos. Não está programado para aprendizagem independente. Portanto, enviar imagens de uma parte do corpo ou espécie atualmente não avaliada pelo RapidRead e esperar que ela ‘aprenda’ com essas imagens também não seria útil.
Por outro lado, o RapidRead é amplamente treinado nas descobertas listadas na Figura 2. Por exemplo, se estamos procurando saber se um paciente tem alterações cardíacas ou pulmonares que podem contra-indicar a anestesia ou procurando determinar se um paciente com sinais gastrointestinais está obstruído, o RapidRead é uma ferramenta muito útil para acelerar as informações de nível especializado para o ponto de atendimento em questão de minutos (vs. horas a dias para as leituras tradicionais do radiologista).
Por outro lado, o RapidRead é amplamente treinado nas descobertas listadas na Figura 2. Por exemplo, se estamos procurando saber se um paciente tem alterações cardíacas ou pulmonares que podem contra-indicar a anestesia ou procurando determinar se um paciente com sinais gastrointestinais está obstruído, o RapidRead é uma ferramenta muito útil para acelerar as informações de nível especializado para o ponto de atendimento em questão de minutos (vs. horas a dias para as leituras tradicionais do radiologista).
Conclusão
A inteligência artificial entrou em nossas vidas diárias em um ritmo empolgante, alguns podem até dizer alarmante. Como acontece com todas as novas tecnologias, há um período de aprendizado e ajuste. Com o conhecimento pode vir a compreensão frequentemente seguida pela assimilação. O uso de IA na medicina veterinária já existe em muitas áreas, incluindo fluxo de trabalho, medição e segmentação, e como ferramenta de diagnóstico em algumas especialidades como patologia, cardiologia e diagnóstico por imagem.
Compreender os fundamentos por trás do aprendizado de máquina é a chave para ajudar cada um de nós a entender melhor seu uso no diagnóstico por imagem. Os desenvolvedores devem entender que grandes quantidades de dados, cientistas de dados e especialistas em domínio são necessários para criar um produto de IA responsável e preciso. Os usuários finais devem entender o uso adequado das ferramentas de IA para melhor beneficiar o paciente. É somente quando esses fatores se juntam que podemos alcançar nosso objetivo final de melhorar a vida de animais de estimação e clientes com inteligência artificial.