Três razões pelas quais a inteligência artificial pode ser a melhor amiga do radiologista!
Vemos cada vez mais publicações na literatura com aplicações de deep learning nos mais diversos campos da Medicina e, sobretudo, da Radiologia. Muitas vezes, nos deparamos com sentimentos e opiniões divididas sobre a aplicação de métodos de inteligência artificial (IA) na Radiologia, pairando no ar um sentimento de insegurança sobre o futuro profissional.
Mas será mesmo a IA uma adversária da nossa prática diária como radiologistas?
Este editorial fresquinho da Radiology aponta três razões pelas quais a IA pode ser, na verdade, a melhor amiga do radiologista! Vamos conferir?
1. Reduzir trabalho manual e repetitivo, aliviando a carga de trabalho do radiologista, que pode dedicar tempo a assuntos mais complexos.
Um exemplo legal é o trabalho feito por Zheng et al (https://doi.org/10.1148/radiol.2020192003) usando algoritmos de deep learning para mensuração da diferença entre os membros inferiores de crianças em exames de escanometria. Apesar de ser um cálculo matemático extremamente simples de subtração, é uma tarefa repetitiva que demanda tempo e pouca especialização. Como resultado deste trabalho, o radiologista levou cerca de 4,8 horas para calcular a diferença entre os membros de 179 pacientes, enquanto que o algoritmo calculou em apenas 3 minutos!
2. Reduzir variabilidade intraobservador e interobservador.
Como humanos, nós radiologistas estamos suscetíveis a erros e variações de resultado em distintas observações. Se formos realizar trabalhos de segmentação da mesma condição por mais de uma vez, provavelmente não repetiremos os mesmos resultados (variabilidade intraobservador) e, provavelmente, o nosso colega radiologista também não fará uma segmentação igual àquela feita por você (variabilidade interobservador). No entanto, quando há a possibilidade de entrarmos em consenso com colegas, nossa taxa de replicabilidade e acerto aumenta muito! O grande problema é que desempenhar tarefas em consenso é inviável, visto que demanda muito tempo. Desta maneira, algoritmos de deep learning podem “aprender” a partir de segmentações em consenso e replicar este processo elaborado em múltiplas ocasiões, poupando (e muito) nosso tempo.
3. Democratização do conhecimento e do acesso à cuidados de saúde.
Uma vez treinado e validado com base em conhecimento de especialistas, algoritmos de deep learning podem ser facilmente transferido a regiões onde conhecimento especializado é limitado. Assim, a sociedade radiológica pode tornar realidade a ideia de um sistema de saúde universal.
Claro que nem tudo são flores, e há limitações relacionadas ao uso de algoritmos de deep learning e precisamos ter cautela antes de usá-los indiscriminadamente em larga escala. Não devemos tratá-los como a solução a todos os problemas da saúde (e da Radiologia), tendo em vista sua capacidade ruim de extrapolação, ou seja, são ótimos para replicar aquilo que “aprenderam”, mas, quando diante de condições não vistas previamente, apresentam altas taxas de erro.
Fonte: Rick R. van Rijn, MD, PhD, Alberto De Luca, PhD
Radiology 2020; 00:1–2 (https://doi.org/10.1148/radiol.2020200855)
