Saúde
Desafio de Inteligência Artificial em Fonte Aberta para Melhorar a Análise de Mamografias Chega ao Fim
Adicione Unite.AI às suas fontes preferidas no Google
As mamografias são importantes para a saúde das mulheres e para detectar precocemente indicadores de câncer de mama. No entanto, as mamografias exigem especialistas humanos para interpretá-las, e mesmo especialistas altamente treinados cometem erros. Estima-se que a taxa de falsos positivos de mamografias seja de aproximadamente 10% nos EUA. Para criar sistemas que forneçam leituras mais precisas de mamografias, o Desafio de Mamografia Digital (DM) recentemente criou uma iniciativa em fonte aberta para desenvolver novos algoritmos de leitura de mamografias
Como relata o PhysicsWorld, as técnicas de visão computacional e os algoritmos de aprendizado profundo se tornaram mais sofisticados nos últimos anos, os pesquisadores e engenheiros estão se voltando para o uso de IA para interpretar mamografias, visando aumentar a precisão. O Desafio de Mamografia Digital (DM) lançou uma competição para investigar o uso de algoritmos de IA no reconhecimento de possíveis sinais de câncer de mama.
O Desafio DM é o maior estudo já realizado sobre algoritmos de aprendizado profundo em relação à interpretação de mamografias. Justin Guinney, presidente dos Desafios DREAM, explicou que o motivo dos desafios é que eles permitem uma avaliação estruturada de dezenas de modelos de aprendizado profundo em dois bancos de dados diferentes. Os participantes do desafio foram obrigados a projetar algoritmos que pudessem ser treinados em dados de mamografia e produzir uma pontuação de probabilidade de que um paciente seria diagnosticado com câncer de mama dentro de um ano. Havia também uma condição de desafio secundária. Na segunda tarefa, os algoritmos foram permitidos para serem treinados em informações adicionais, como dados de risco demográfico, dados clínicos e imagens coletadas de exames de triagem anteriores.
Dois conjuntos de dados foram usados para treinar os modelos. O primeiro conjunto de dados foi o conjunto de dados Kaiser Permanente Washington (KPW), montado por pesquisadores dos EUA. Enquanto isso, um segundo conjunto de dados foi montado por pesquisadores suecos no Instituto Karolinska (KI).
Mais de 1100 participantes se juntaram ao desafio, divididos em 126 equipes diferentes e compostas por pessoas de todo o mundo. Durante a primeira parte do desafio, os modelos foram treinados usando o conjunto de dados KPW, que incluiu imagens de mais de 140.000 exames de triagem. Quando comparado com os resultados do segundo desafio, foi encontrado que o acesso a mais recursos, como dados clínicos, não melhorou significativamente o poder discriminatório dos algoritmos. No entanto, a equipe do Desafio DM sugeriu que o desenvolvimento futuro de algoritmos deve incluir a análise de imagens anteriores dos pacientes, supondo que os participantes possam não ter utilizado completamente os dados.
De acordo com o Health IT Analytics, a equipe do Desafio DM deseja que as oito equipes que melhor performaram colaborem e projetem um modelo de classificação ensemble, para ver se esse modelo poderia potencialmente superar os modelos individuais. Os coordenadores do desafio usaram então uma agregação ponderada das previsões dos vários algoritmos, criando o Modelo Ensemble do Desafio (CEM). As previsões probabilísticas do modelo CEM foram comparadas com as interpretações de radiologistas, avaliadas usando especificidade. Os radiologistas alcançaram 90,5% de especificidade, enquanto o modelo CEM alcançou apenas 76,1% de especificidade. Embora os resultados pareçam desapontadores, quando as suposições do modelo CEM e a interpretação de radiologistas foram agregadas em outro modelo (CEM+R), a especificidade melhorou para 92%.
Resultados semelhantes foram alcançados no conjunto de dados de teste KI, usado exclusivamente para validar os modelos, que continha imagens de mais de 166.000 exames. Com o modelo CEM sendo ligeiramente inferior aos radiologistas (92,5% de especificidade em comparação com 96,7% de especificidade), mas o modelo CEM+R alcançando melhores resultados (98,5% de especificidade).
Embora nenhum dos modelos individuais tenha sido capaz de superar os especialistas humanos, o modelo CEM+R viu uma ligeira vantagem em comparação com a interpretação de radiologistas sozinhos. Pode ser possível que combinar a intuição humana com um assistente de IA possa melhorar a precisão.
