Um modelo de inteligência artificial baseado em aprendizado profundo, desenvolvido na Washington State University, pode detectar rapidamente e, muitas vezes, com mais precisão, sinais de doenças em imagens de tecidos humanos e animais em comparação com as avaliações humanas.
Como relatado na Scientific Reports, essa inovação pode acelerar significativamente as pesquisas relacionadas a doenças. Ela também oferece avanços promissores para diagnósticos médicos, permitindo, por exemplo, a detecção de câncer em imagens de biópsias em questão de minutos—uma tarefa que normalmente levaria várias horas para ser realizada por patologistas humanos.
“Este programa de aprendizado profundo baseado em IA foi muito, muito preciso ao analisar esses tecidos”, disse Michael Skinner, biólogo da WSU e coautor correspondente do artigo. “Isso poderia revolucionar esse tipo de medicina tanto para animais quanto para humanos, facilitando essencialmente esse tipo de análise.”
Para desenvolver o modelo de IA, o cientista da computação Colin Greeley, ex-aluno de pós-graduação da WSU, e seu orientador, o Professor Lawrence Holder, o treinaram utilizando imagens de estudos epigenéticos anteriores conduzidos no laboratório do Professor Skinner. Esses estudos focaram em indicadores moleculares de doenças nos tecidos renais, testiculares, ovarianos e prostáticos de ratos e camundongos.
A equipe então testou o modelo com imagens de outras pesquisas, incluindo estudos sobre câncer de mama e metástase em linfonodos. Eles descobriram que o modelo de IA não apenas identificou patologias com precisão e rapidez, mas também superou os modelos anteriores em velocidade. De forma notável, ele detectou casos que uma equipe de especialistas humanos treinados havia negligenciado.
“Acho que agora temos uma maneira de identificar doenças e tecidos de forma mais rápida e precisa do que os humanos”, disse Holder, coautor correspondente do estudo.
Tradicionalmente, esse tipo de análise de tecidos exigia trabalho intensivo de equipes especializadas que examinavam e anotavam lâminas sob um microscópio, muitas vezes verificando o trabalho uns dos outros para minimizar erros humanos. Na pesquisa epigenética do Professor Skinner—focada no estudo das mudanças nos processos moleculares que afetam o comportamento dos genes sem alterar o DNA em si—esse processo poderia levar um ano ou mais para estudos de grande escala. Com o novo modelo de aprendizado profundo em IA, a mesma análise agora pode ser concluída em questão de semanas, observou Skinner.
O aprendizado profundo, um método avançado de IA que busca imitar o cérebro humano, vai além do aprendizado de máquina tradicional, explicou Holder. Ao contrário do aprendizado de máquina básico, um modelo de aprendizado profundo é construído com uma rede de neurônios e sinapses que lhe permite “aprender” com os erros por meio de um processo chamado retropropagação. Esse processo ajusta a rede após os erros, ajudando o modelo a evitar repeti-los no futuro.
A equipe da WSU projetou seu modelo de aprendizado profundo para trabalhar com imagens de gigapixels de resolução extremamente alta, que contêm bilhões de pixels. Como arquivos tão grandes podem sobrecarregar até mesmo computadores de alto desempenho, os pesquisadores desenvolveram o modelo para analisar pequenas peças individuais da imagem, mantendo a referência do contexto maior em uma resolução mais baixa—de forma semelhante ao ato de ampliar e reduzir uma imagem com um microscópio.
O novo modelo já está ganhando atenção de outros pesquisadores. A equipe de Holder está atualmente colaborando com cientistas veterinários da WSU para diagnosticar doenças em amostras de tecidos de cervos e alces. Os autores também destacam o potencial do modelo em avançar nas pesquisas e diagnósticos humanos, especialmente para câncer e outras doenças relacionadas a genes. Desde que dados anotados estejam disponíveis, como imagens que identificam câncer em tecidos, o modelo de IA pode ser treinado para realizar esse trabalho, disse Holder.
- Veja também: A terapia para insônia reduz a depressão pós-parto
“A rede que projetamos é de última geração”, disse Holder. “Fizemos comparações com vários outros sistemas e outros conjuntos de dados para este artigo, e ela superou todos.”
O estudo foi apoiado pela John Templeton Foundation, com Eric Nilsson, professor assistente de pesquisa na School of Biological Sciences da WSU, contribuindo como coautor do artigo.
