Skip to main content
Esta página é exibida usando tradução automática. Prefere ver em inglês?

IA como apoio para profissionais de saúde

Gerardo Hermosillo Valadez | Inventores do ano da Siemens | Lifetime Achievement

Tecnologias de imagem, como raios X, tomografia computadorizada e ressonância magnética, têm ajudado médicos há décadas com imagens detalhadas de estruturas ósseas e de tecidos dentro do corpo do paciente. “Todas essas tecnologias nos fornecem dados de imagem que só são úteis no diagnóstico se puderem ser interpretados corretamente. Por exemplo, alguém precisa entender que a linha fina na imagem de raio X mostra que um osso está quebrado ou notar uma massa incomum na grande quantidade de dados de uma ressonância magnética”, diz Gerardo Hermosillo Valadez, da Siemens Healthineers (SHS), ganhador do prêmio Inventores do Ano de 2024 na categoria Lifetime Achievement. “Meu departamento está trabalhando em processos de IA que podem interpretar exames de imagem e, assim, ajudar e apoiar a equipe médica.”

Interpretação de imagens com inteligência artificial

Homem de terno e gravata em frente a um prédio com uma janela grande.

Gerardo Hermosillo Valadez é o ganhador do prêmio Inventores do Ano de 2024: sua invenção desenvolve inteligência anatômica

As pessoas geralmente são muito boas em achar coisas em fotos. Por exemplo, para a maioria das pessoas será fácil reconhecer a coluna em imagens de raios X, mesmo que em cada uma o paciente esteja em uma postura diferente, os ângulos sejam diferentes, haja ossos grandes ou pequenos, ou colunas saudáveis ou deformadas. Os computadores só podem fazer isso usando inteligência artificial com aprendizado profundo, e somente se tiverem sido treinados com muitas amostras. “É assim que a inteligência artificial pode desenvolver a inteligência anatômica para poder analisar exames de imagem e categorizar corretamente os diferentes ossos, órgãos e tecidos”, diz Gerardo. “Da mesma forma, a IA pode aprender a diferenciar entre tecidos normais e anormais.”

Inovações que moldam toda a linha de produtos da SHS

Existem muitas aplicações diferentes para o reconhecimento de imagens orientado por IA na vida cotidiana em hospitais e consultórios médicos: por exemplo, um sistema pode aprender a exibir os dados de imagem corretos em resposta a uma instrução como “Mostre a omoplata direita”. Ele também pode fornecer suporte automatizado para exames radiológicos que determinam quando o meio de contraste injetado atingiu o órgão a ser examinado e analisar dados de imagem para possíveis alterações patogênicas. Muitas das inovações que Gerardo vem impulsionando são onipresentes em toda a linha de produtos da SHS.

Diferentes estratégias de aprendizado de IA

“A qualidade da inteligência artificial depende dos dados com os quais ela foi treinada”, enfatiza Gerardo. “Para reconhecer tumores em uma imagem de ressonância magnética, ela deve primeiro ter aprendido com milhares de imagens de pessoas saudáveis e doentes que mostramos para ela.” Existem três abordagens básicas para treinar a IA: aprendizado supervisionado, aprendizado fracamente supervisionado e aprendizado autossupervisionado. No aprendizado supervisionado, a IA recebe informações precisas para cada conjunto de dados: por exemplo, “Há um tumor no canto superior direito da imagem”. No aprendizado fracamente supervisionado, apenas alguns rótulos informativos são fornecidos: por exemplo, tumor ou nenhum tumor. No aprendizado autossupervisionado, os dados não têm nenhum rótulo e a IA aprende de forma independente: por exemplo, ocultando partes das imagens de amostra existentes e “adivinhando” sua aparência.

Pessoa de camiseta preta em pé contra uma parede branca, segurando um objeto escuro com fundo desfocado.

Sua invenção molda toda a linha de produtos da Siemens Healthineers

Homem sério de camisa preta com tatuagem em pé diante de uma parede branca, parcialmente iluminado do lado direito

A inteligência artificial pode aprender a analisar exames de imagem e categorizá-los corretamente.

Quase tão inteligente quanto um atlas de anatomia

O aprendizado supervisionado é a maneira mais rápida e eficiente de a IA aprender, mas é demorado e caro obter dados de treinamento suficientes que levem em consideração todos os aspectos relevantes. O aprendizado autossupervisionado exige mais tempo de aprendizado, mas a IA pode funcionar de forma independente sem a dispendiosa rotulagem de dados. “Recentemente, temos nos concentrado nas mais recentes técnicas de aprendizado autossupervisionado, técnicas como as usadas pelo ChatGPT”, diz Gerardo. “Isso nos deu um impulso significativo, especialmente no campo da inteligência anatômica. Nossa IA agora é quase tão inteligente quanto um atlas de anatomia. Ela consegue distinguir entre cerca de 200 pontos de referência diferentes (partes do corpo) e localizá-los no material de imagem”.