"Ter opções pode ajudar na tomada de decisões. Mesmo o simples facto de perceber que existe incerteza numa imagem médica pode influenciar as decisões de alguém, pelo que é importante ter em conta essa incerteza", afirma Marianne Rakic, estudante de doutoramento em ciência da computação no MIT.

Rakic ​​​​é o autor principal de um artigo publicado com outros investigadores do MIT, do Broad Institute do MIT e Harvard, e do Massachusetts General Hospital, que apresenta uma nova ferramenta de IA capaz de captar a incerteza numa imagem médica.

Conhecido como Tyche (em homenagem à deusa grega do acaso), o sistema oferece múltiplas segmentações plausíveis que destacam áreas ligeiramente distintas de uma imagem médica. O utilizador pode especificar quantas opções o Tyche oferece e selecionar a mais adequada ao seu propósito.

E, mais importante, o Tyche consegue lidar com novas tarefas de segmentação sem ter de ser retreinado. A formação é um processo que exige muitos dados, envolve mostrar a um modelo muitos exemplos e requer uma vasta experiência em aprendizagem automática.

Por não exigir formação adicional, o Tyche pode ser mais fácil de utilizar do que outros métodos para médicos e investigadores biomédicos. Pode ser aplicado imediatamente a uma variedade de tarefas, desde a identificação de lesões numa radiografia torácica até à localização de anormalidades numa ressonância magnética cerebral.

Em última análise, este sistema poderia melhorar os diagnósticos ou auxiliar na investigação biomédica, chamando a atenção para informações potencialmente cruciais que outras ferramentas de IA poderiam deixar passar.

"A ambiguidade não foi suficientemente estudada. Se o seu modelo ignora um nó que três especialistas dizem estar lá e dois dizem que não está, provavelmente deve prestar atenção a isso", acrescenta Adrian Dalca, autor principal, professor assistente na Harvard Medical School e no MGH, e investigador científico no Laboratório de Ciência da Computação e Inteligência Artificial (CSAIL) do MIT.

Entre os coautores estão Hallee Wong, estudante de pós-graduação em Engenharia Eletrotécnica e de Computadores; José Javier González Ortiz, PhD (23); Beth Cimini, Diretora Associada de Análise de Bioimagem no Broad Institute; e John Guttag, Professor Dugald C. Jackson de Ciência da Computação e Engenharia Eletrotécnica. Rakic ​​irá apresentar o Tyche na Conferência IEEE sobre Visão por Computador e Reconhecimento de Padrões, onde o Tyche foi selecionado como um projeto em destaque.

Lidar com a ambiguidade

Os sistemas de inteligência artificial para segmentação de imagens médicas utilizam frequentemente redes neuronais. Baseadas no cérebro humano, as redes neuronais são modelos de aprendizagem automática compostos por muitas camadas interligadas de nós, ou neurónios, que processam dados.

Depois de conversarem com colaboradores do Broad Institute e do MGH que utilizam estes sistemas, os investigadores perceberam que existem dois problemas principais que limitam a sua eficácia. Os modelos não conseguem captar a incerteza e precisam de ser retreinados mesmo para uma tarefa de segmentação ligeiramente diferente.

Alguns métodos tentam ultrapassar um dos obstáculos, mas abordar ambos os problemas com uma única solução tem-se revelado particularmente difícil, afirma Rakic.

"Se quiser ter em conta a ambiguidade, muitas vezes tem de utilizar um modelo extremamente complexo. Com o método que propomos, o nosso objetivo é torná-lo fácil de utilizar com um modelo relativamente pequeno, para que possa fazer previsões rapidamente", afirma.

Os investigadores criaram o Tyche modificando uma arquitetura de rede neural simples.

Em primeiro lugar, o utilizador fornece ao Tyche alguns exemplos que ilustram a tarefa de segmentação. Por exemplo, os exemplos podem incluir diversas imagens de lesões numa ressonância magnética cardíaca que foram segmentadas por diferentes especialistas humanos, para que o modelo possa aprender a tarefa e perceber que existe ambiguidade.

Os investigadores descobriram que apenas 16 imagens de exemplo, chamadas "conjunto de contexto", são suficientes para o modelo fazer boas previsões, mas não há limite para o número de exemplos que podem ser utilizados. O conjunto de contexto permite que o Tyche resolva novas tarefas sem ter de ser retreinado.

Para permitir que Tyche capturasse a incerteza, os investigadores modificaram a rede neural para que esta produzisse múltiplas previsões com base numa imagem médica de entrada e no conjunto de contextos. Ajustaram as camadas da rede para que, à medida que os dados passavam de uma camada para a seguinte, as segmentações candidatas produzidas em cada etapa pudessem "conversar" entre si e com os exemplos no conjunto de contextos.

Desta forma, o modelo pode garantir que as segmentações candidatas são todas ligeiramente diferentes, mas ainda assim resolvem a tarefa.

"É como jogar aos dados. Se o seu modelo consegue tirar um dois, um três ou um quatro, mas não sabe que já tem um dois e um quatro, então qualquer um destes números pode voltar a aparecer", diz.

Também modificaram o processo de treino para o recompensar, maximizando a qualidade da sua melhor previsão.

Se o utilizador solicitar cinco previsões, poderá visualizar as cinco segmentações de imagens médicas produzidas pelo Tyche, embora uma delas possa ser melhor do que as outras.

Os investigadores também desenvolveram uma versão do Tyche que pode ser utilizada com um modelo de segmentação de imagens médicas pré-treinado. Neste caso, o Tyche permite que o modelo gere múltiplos candidatos através de pequenas transformações na imagem.

Previsões melhores e mais rápidas

Quando os investigadores testaram o Tyche com conjuntos de dados de imagens médicas anotadas, descobriram que as suas previsões captavam a diversidade dos anotadores humanos e que as suas melhores previsões eram superiores às de qualquer um dos modelos de referência. Além disso, o Tyche foi mais rápido do que a maioria dos modelos.

"Produzir vários candidatos e garantir que são diferentes uns dos outros oferece realmente uma vantagem", diz Rakic.

Os investigadores também observaram que o Tyche conseguiu superar modelos mais complexos treinados num conjunto de dados grande e especializado.

Olhando para o futuro, planeiam fazer experiências com um conjunto mais flexível de contextos, talvez incluindo texto ou vários tipos de imagem. Também querem explorar métodos para melhorar as previsões deficientes do Tyche e melhorar o sistema para que possa recomendar os melhores candidatos de segmentação.

Esta investigação é financiada, em parte, pelos National Institutes of Health (NIH), pelo Eric and Wendy Schmidt Center do Broad Institute do MIT e de Harvard, e pela Quanta Computer.

###

Escrito por Adam Zewe, MIT News