Módulo 1 | Aula 4
Introdução à inteligência artificial na saúde
Introdução
Nos últimos anos, o campo de pesquisa conhecido como Inteligência Artificial (IA) tem se desenvolvido em uma velocidade impressionante, transformando-se em uma das tecnologias mais influentes e inovadoras da era moderna. São inúmeras as possibilidades de aplicações, inclusive na saúde, onde espera-se que ela traga enorme inovação na forma como os diagnósticos são feitos, como os tratamentos são personalizados e como os sistemas de saúde operam.
Além disso, com a capacidade de analisar grandes volumes de dados com precisão e velocidade, a IA oferece novas oportunidades para melhorar a eficiência e a eficácia dos cuidados de saúde. Por outro lado, apesar de seu enorme potencial, a adoção da IA também traz desafios significativos, incluindo as questões ligadas à privacidade, transparência, segurança e a necessidade de uma regulamentação adequada.
O nome Inteligência Artificial é uma sugestão do pesquisador John MacCarthy feita durante o famoso evento Dartmouth Summer Research Project em 1956 (KAUFMAN, 2019). Logo, estamos falando de um campo de pesquisa com mais de 70 anos de existência, o que pode fazer surgir a pergunta: por que só agora ela se torna realmente popular?
De forma geral, são dois os principais motivos da crescente adoção:
Enormes volumes de dados disponíveis
Existência de capacidade computacional para o processamento desses dados
Assim, com esses dois elementos, cria-se um ambiente para o desenvolvimento da IA e de suas mais conhecidas subáreas: aprendizagem de máquina (machine learning) e aprendizagem profunda (deep learning).
A imagem a seguir ilustra a hierarquia entre esses três elementos: a aprendizagem profunda é uma parte da aprendizagem de máquina, que por sua vez é um subcampo da IA.
Cabe aqui o destaque de que as aplicações de IA mais populares e promissoras são baseadas na aprendizagem profunda. São inúmeros os exemplos, mas dentre as mais comuns encontramos aplicações de reconhecimento de imagem e som, veículos autônomos, processamento de linguagem natural, tradução automática e diagnóstico médico por imagens.
Entretanto, antes de nos aprofundarmos no tema, precisamos de uma compreensão básica sobre o papel dos dados, algoritmos e modelos para o funcionamento dessa tecnologia e sobre a terminologia utilizada.
Em geral, podemos dizer que o processo para a criação de um modelo de aprendizagem de máquina supervisionado de IA parte de dados selecionados e tratados. Em seguida, um algoritmo analisa esses dados em busca de padrões (treino do modelo). Por fim, os padrões identificados permitem a criação de um modelo que será utilizado em predições com novos dados, para avaliação da sua performance (teste do modelo). Só após essa fase será decidido se o modelo obteve ou não o desempenho esperado, o que pode levar a novas iterações com outros algoritmos e a alterações nos dados utilizados.
A figura a seguir ilustra esse processo.
A imagem anterior apresenta uma visão de alto nível do desenvolvimento de um modelo de aprendizagem de máquina, mas nos ajuda a destacar alguns elementos fundamentais para essa discussão.
- Os dados têm papel fundamental. Dados diferentes geram modelos diferentes.
- Definir os dados a serem usados e verificar sua qualidade é crucial para garantir a excelência do modelo gerado.
- No caso da saúde, os dados utilizados são normalmente dados sensíveis. Que precauções devem ser tomadas para reduzir a chance de um uso inadequado?
- Modelos são criados pela combinação de dados com os algoritmos. Logo, algoritmos diferentes tendem a gerar modelos com desempenho diferente (alguns melhores, outros piores). Encontrar o melhor nem sempre é simples.
- Estabelecer quando o desempenho de um modelo é considerado adequado pode incluir um grande grau de subjetividade. O que se torna crítico para as pessoas ou grupos afetados pelas decisões de um modelo.
- Como garantir transparência para esse processo? Quando ela deve ser obrigatória? Quem monitora o funcionamento do modelo?
Muitas outras questões poderiam ser enumeradas, já que esta lista está longe de ser exaustiva. Por outro lado, ela tem o objetivo de deixar claro que pensar sobre a adequação e a segurança do uso da IA é uma tarefa complexa, e que ela não se restringe ao debate sobre a tecnologia. Ela deve envolver desenvolvedores, gestores, pessoas afetadas e pesquisadores no tema de aplicação da solução, dentre outras partes interessadas. É uma tarefa complexa, mas necessária.