Algoritmos de dados aprimorados podem ajudar os médicos a diagnosticar e tratar doenças – The Cavalier Daily

Avanços recentes em algoritmos estão dando aos médicos novas ferramentas para prever, diagnosticar e até tratar doenças. O corpo docente e os alunos da School of Data Science estão na vanguarda desse progresso.

Os algoritmos criam conjuntos de regras para os softwares de processamento seguirem, permitindo que os softwares classifiquem e analisem os dados. Esses algoritmos que estão sendo desenvolvidos na área médica incorporam novas formas de dados, incluindo como os pacientes falam sobre seus sintomas, bem como imagens de altíssima resolução que podem ser reduzidas ao nível nuclear.

O professor de engenharia Don Brown, diretor fundador do Data Science Institute, está trabalhando no desenvolvimento desses algoritmos e suas implicações para a medicina.

“[The algorithm development] nos permitiu observar e diagnosticar melhor as doenças”, disse Brown. “Por exemplo, quando você olha para uma imagem de biópsia, é difícil ler essa imagem. Portanto, é muito mais fácil usar computadores para entender o que está acontecendo em imagens como essa.”

Modelos de aprendizado profundo informatizar processos que os humanos realizam naturalmente, como identificar imagens de cães e gatos. As funções de identificação de imagem também podem ser aplicadas para analisar dados médicos. Por exemplo, uma imagem de uma célula biopsiada terá características que levam o médico a identificar a célula como anormal ou saudável.

Esses recursos comuns, ou padrões nas imagens de células saudáveis ​​versus células anormais, são usados ​​como diretrizes para o algoritmo. O algoritmo pode então classificar novas imagens e rotulá-las como saudáveis ​​ou anormais, criando um modelo de aprendizado profundo. A vantagem de usar um modelo é que muito mais imagens podem ser analisadas rapidamente.

O estudante de pós-graduação em ciência da informação Saurav Sengupta colaborou com colegas da Universidade e outros na Zâmbia, Londres e Paquistão em um projeto fundamental que aplicou esses modelos ao diagnóstico da doença celíaca.

“Conseguimos construir um modelo que poderia prever com alto grau de precisão se a imagem que estávamos vendo era uma imagem de doença celíaca, uma imagem normal ou uma enteropatia ambiental”, disse Sengupta. “Tivemos que classificar cada imagem nas três classes e ver se os insights médicos poderiam ser obtidos quando investigávamos esses modelos”.

Parte do modelo Sengupta trabalhou em imagens classificadas de enteropatia ambiental, um distúrbio de inflamação intestinal crônica. Esses algoritmos agora são usados ​​para analisar uma ampla variedade de doenças, incluindo as doenças de Barrett, Crohn e Alzheimer na Escola de Ciências da Informação.

“Se você está fazendo uma previsão de que a pessoa tem uma doença, você precisa estar muito confiante nessa previsão e precisa explicar por que tomou essa decisão”, disse Sengupta. “Muitos métodos de ponta do mundo real realmente não têm essas coisas, e o maior desafio para nós é tornar os modelos mais explicáveis ​​de uma maneira que ofereça um alto grau de precisão.”

O papel do médico nesse processo também permanece importante. A Dra. Sana Syed, gastroenterologista pediátrica da U.Va. Health usa inteligência artificial para reconhecimento de padrões em imagens de biópsia.

“Você tem que ter um ser humano porque existem todas essas limitações de preconceito”, disse Syed. “E a outra coisa é que um algoritmo não pode dizer o que fazer se algo der errado. Então, um ser humano tem que fazer parte disso, mas pode melhorar sua tomada de decisão.”

Os vieses, ou o modelo que produz vieses para certos resultados, vêm de não ter um conjunto de dados suficientemente grande ou representativo, disse Syed. ImageNet, um projeto de pesquisa criado pelo Prof. Fei-Fei Li na Universidade de Stanford, permite que pesquisadores treinem modelos de reconhecimento de imagem e teve um enorme impacto no campo, de acordo com Syed. O poder do ImageNet vem do uso de um conjunto de dados extremamente grande composto de 15 milhões de pontos de dados. Quanto maior o conjunto de dados no qual um modelo é treinado, mais preciso será o modelo para encontrar novos dados.

Os próximos passos para a pesquisa na interseção da ciência de dados e da medicina consistem em melhorar a precisão desses modelos. Pesquisadores da School of Data Science e da U.Va. A Salud está trabalhando em conjunto para melhorar essa tecnologia e continuar a aplicá-la em um ambiente médico.

“Há muito trabalho a ser feito para melhorar os algoritmos e entender melhor as características dos algoritmos para que possamos conduzir essas melhorias”, disse Brown. “Há muito trabalho a ser feito para desenvolver esses tipos de técnicas, esses tipos de técnicas de aprendizado de máquina de ciência de dados, que farão um trabalho ainda melhor de previsão, diagnóstico e classificação”.

Leave a Comment