Webinar

Combater o cancro do colo uterino com Inteligência Artificial

Kelwin · 25 de agosto de 2020

Caso tenha perdido. Abaixo encontra o nosso webinar sobre o Simpósio em Bioengenharia 2020 na FEUP. Respondemos também a algumas questões que não tivemos tempo de abordar durante a sessão.

Resumo

Apesar de ser facilmente evitável, o cancro do colo uterino continua a ser uma das principais causas de morte entre mulheres. A razão principal é o acesso limitado a programas de rastreio de alta qualidade para pacientes em locais remotos. A Inteligência Artificial e a Computação Móvel estão a transformar a forma como prestamos cuidados aos pacientes, permitindo que populações vulneráveis tenham acesso a estes serviços. Nesta sessão, discutimos como estamos a utilizar Deep Learning para combater o cancro do colo uterino em parceria com a MobileODT, uma empresa baseada em Israel que procura equipar todos os prestadores de cuidados de saúde, em qualquer local, com as ferramentas mais avançadas para salvar o máximo de vidas, o mais rapidamente possível. Abordamos tanto os desafios técnicos como sociais nesta jornada, desde o processo de recolha de dados até à validação adequada da tecnologia.

Conteúdo incorporado

Pretende aprofundar esta ideia?

Marque uma reunião com Kelwin Fernandes

Conheça Kelwin Saiba Mais

Sessão de Perguntas e Respostas

Como foi o processo de introdução deste dispositivo nos países que apresentou? Foi fácil abordarem os governos e qual foi a sua abertura?
- Não participei nesta fase. Posso, contudo, dizer-lhe que o processo foi realizado passo a passo, com trabalho árduo e perseverança. A MobileODT tem equipas dedicadas exclusivamente a este tema. Possuem equipas regionais que lidam com especificidades locais, bem como equipas de conformidade regulatória. Para mais informações, pode contactar a MobileODT e consultar o seu blog.
Na sua perspetiva, qual foi o fator determinante para o sucesso deste projeto?
- O fator determinante em projetos deste tipo é sempre não-técnico. Foram as pessoas por trás dele: os médicos e enfermeiros no terreno, a MobileODT como um todo, e a comunidade científica. Do ponto de vista técnico, o colposcópio EVA foi crucial enquanto dispositivo móvel que pode ser levado a locais remotos.
Qual é a sua posição quanto à expansão desta Inteligência Artificial para o tratamento de outras doenças? Acredita na criação de um super assistente de diagnóstico de IA?
- Não acredito que os avanços atuais em Deep Learning nos conduzam a esse super IA. Sugiro a leitura de "The Book of Why" de Judea Pearl e "AI Compatible" de Stuart Russell. Porém, o deep learning reduziu significativamente o custo de desenvolvimento de modelos que preenchem lacunas locais no processo de decisão. Acredito que, a curto prazo, possamos ter um ecossistema de sistemas CAD que interagem entre si para proporcionar uma visão mais holística do paciente. Existem múltiplos desafios a resolver, mas penso que é mais atingível do que um único agente de IA para cuidados de saúde. Se pretende conhecer a nossa visão nesta área, leia o nosso artigo anterior sobre aplicações de IA em cuidados de saúde.
Quais são as principais limitações ao aplicar estes modelos a outros tipos de cancro ou outras imagens médicas?
- Antes do deep learning, as principais limitações eram as mil decisões que se tomavam na construção do sistema. Agora, as três principais limitações são:
  - Dados: Tem dados suficientes? Estes dados têm algum viés? Tem rótulos que estejam fortemente correlacionados com os seus KPIs?
  - Integração Empresarial: Onde no processo de decisão/fluxo de trabalho está a implementar os seus modelos?
  - Conhecimento de Domínio: Que conhecimento específico de cada domínio o diferencia e como podemos incorporar esta informação para que os modelos não precisem de a aprender do zero.
As CNNs foram utilizadas com muito bom resultado para classificação de imagens/píxeis em vários domínios, mas com diferentes níveis de desempenho em diferentes aplicações médicas. Neste caso, para imagens histológicas na detecção de cancro, qual é o erro mínimo (também designado de erro de Bayes, ou melhor desempenho possível) que espera atingir? Obrigado!
- Nem sabemos qual é a prevalência real do cancro do colo uterino a nível mundial. O mundo está sub-medido em muitos aspetos. Portanto, não temos certeza qual seria o erro mínimo a esperar. Espero que seja suficientemente baixo para que um profissional iniciado num local com poucos recursos consiga prestar o mesmo nível de cuidado que um colposcopista experiente.
Considerou incorporar outros tipos de dados no modelo de classificação, como texto de registos médicos e dados pessoais dos pacientes?
- Sim, na verdade já fizemos isso na nossa investigação anterior. Desenvolvemos modelos multimodais que, além de imagens, incluem outros registos médicos do paciente, fatores de risco, entre outros. Também fizemos isto não apenas na entrada, mas também na saída do modelo. Por exemplo, incorporando tarefas adicionais que possam ser complementares para apoiar a decisão.
Mencionou o dataset que está a utilizar. É suficientemente grande para assegurar um diagnóstico de boa qualidade?
- Até ao momento, é o maior dataset da área. Além disso, é provavelmente maior do que o número de pacientes que qualquer médico pode ver durante a sua vida profissional. A qualidade anda a par com a reprodutibilidade, e a IA pode proporcionar isto. Neste sentido, realizámos algumas experiências para validar o desempenho dos modelos sob várias condições adversas.
Os dados serão gerenciáveis e compreensíveis para os médicos nestes países? E existe algum tipo de tratamento lá ou os pacientes, quando diagnosticados, serão transportados para outros países?
- Do ponto de vista técnico, sempre recomendo que os sistemas de IA vão além de predições (ou seja, probabilidades, classes). Focamo-nos em transformar predições em decisões e decisões em ações. Enquanto uma pontuação pode ser um conceito abstrato para um público não-técnico, evidência de apoio é uma ferramenta acionável. Assim, focamo-nos em construir modelos de IA explicável (consulte o nosso artigo mais recente nesta área). Também, neste caso específico, a MobileODT desenvolveu o EVA Portal, onde os profissionais médicos podem trocar opiniões com os seus pares, colocar questões, etc.
- O tratamento pode ser realizado no local de cuidados, os materiais são de baixo custo e não requerem tecnologia/infraestrutura avançada.
O que está a fazer para aumentar a interpretabilidade dos modelos de classificação que está a utilizar?
- Publicámos alguns artigos nesta área para que CNNs forneçam explicações com a FEUP e INESC TEC. Pode consultá-los aqui:
Quais são as principais tendências em consultoria de IA neste momento?
- A tendência principal em consultoria de IA é utilizar modelos prontos a usar, ou como eu chamo, adaptar o negócio à tecnologia. O nosso foco é precisamente o oposto: elevar a tecnologia para se adaptar ao negócio. Pode ver alguns exemplos de como fizemos isto num dos nossos artigos anteriores.

Projetos de interesse

Se tem interesse nesta área e quer saber o que está a ser feito em Portugal, sugiro que acompanhe dois projetos de investigação neste campo: