O aprendizado de máquina, ou machine learning, ensina o computador a reconhecer e reagir a cenários a partir dos dados que recebe. Essa tecnologia se faz bem presente no nosso dia a dia há algum tempo: há inúmeros exemplos, como o Inbox do Gmail, a Siri, o Google Now, corretores automáticos, softwares para reconhecimento facial e muitos outros.
Além de ser usado para organizar seus e-mails (e para reconhecer o rosto daquela tia que você mal conhece no Facebook), o aprendizado de máquina é aplicado em áreas empolgantes como a saúde. A partir de imagens e anotações médicas, é possível ensinar computadores a reconhecer se um paciente pode ou não desenvolver câncer de pele, ou uma espécie de cegueira ligada à diabetes.
Duas pesquisas da Unicamp (Universidade Estadual de Campinas), ganhadoras do último Google Research Awards – um programa de bolsa de estudos anuais para estudantes e orientadores – usam aprendizado de máquina para determinar se pacientes precisam ou não de uma avaliação médica.
O projeto ‘Triagem Automática Data-Driven da Retinopatia Diabética”, do doutorando Ramon Pires sob orientação de Anderson Rocha – ambos do Instituto de Computação da Unicamp – auxilia na triagem de pacientes diabéticos que possam apresentar a retinopatia diabética, uma doença que enfraquece os vasos sanguíneos do olho, causando lesões e até mesmo levando à cegueira.
Cerca de 5% dos portadores de diabetes desenvolvem a retinopatia diabética. Hoje, de acordo a Federação Internacional de Diabetes, 415 milhões de pessoas em todo o mundo têm diabetes – ou seja, um a cada onze adultos. E a diabetes pode ir além de prejudicar a visão: só em 2015, mais de 247 mil pessoas morreram da doença na América do Sul e na América Central — 130 mil delas só no Brasil.
O software criado por Pires quer evitar que estes 5% dos portadores de diabetes desenvolvam a cegueira. Por meio do aprendizado de máquina, uma base de imagens da retina e anotações médicas, os pesquisadores “ensinaram” o computador a identificar e diferenciar vasos sanguíneos normais de vasos sanguíneos danificados, que podem ter sido causados pela doença.
O programa analisa cada pixel de imagens capturadas por retinógrafos – uma máquina que fotografa a retina – para determinar se o paciente precisa ou não se consultar com o médico.
Da esquerda para a direita, um olho normal e um olho com retinopatia diabética em estado avançado. Crédito: EyePACS
O software avalia a qualidade da imagem, identifica lesões, faz a triagem e a necessidade de tratamento para o paciente, tudo isso com uma margem de acerto impressionante: “ele acerta cerca de 98% dos casos de encaminhamento de pacientes para o especialista”, diz Rocha.
Apesar de já identificar lesões originadas da retinopatia diabética com tremenda precisão, o desejo dos pesquisadores é que o software saiba determinar o estágio da doença, e que ele venha ser comercializado como um produto, transformando-o em um aparelho portátil. “A ideia é transformá-lo em algo menor e mais transportável que um retinógrafo”, diz Rocha.
Diminuir o tamanho e custo dos retinógrafos pode reduzir filas de espera para atendimento, uma vez que a triagem será feita pelo computador e poderá ser conduzida por enfermeiros (não apenas pelo médico). Isso também possibilitará levar tratamentos preventivos a áreas rurais, que costumam não ter acesso médico fácil.
Melanoma
Um dia você poderá saber com uma foto do celular se a pinta que você tem no braço desde que nasceu é câncer ou não. Mas isso ainda pode levar algum tempo.
A pesquisa ‘Triagem Robusta do Melanoma para o Mundo Real”, do doutorando Michel Fornaciali sob supervisão de Eduardo Valle, ambos da Faculdade de Engenharia Elétrica e de Computação da Unicamp, também usa o aprendizado de máquina para auxiliar na triagem de possíveis pacientes portadores de melanoma, a forma mais agressiva do câncer de pele.
Apesar de ser um dos cânceres de pele mais agressivos, o melanoma é mais raro: de acordo com dados do Instituto Nacional de Câncer (Inca), a previsão é que 5.700 pessoas sejam diagnosticadas com melanoma em 2016. E mais: ele também é um dos cânceres mais tratáveis, desde que o diagnóstico seja precoce.
E é nesse aspecto que a pesquisa foca. O que, a princípio, buscava ser um aplicativo para celular que, por meio de fotos, poderia analisar se uma mancha na pele era cancerígena ou não, provou ter uma complexidade muito acima do esperado. “Fomos inocentes a ponto de acreditar que uma imagem de celular seria suficiente para diferenciar um câncer de uma pinta qualquer”, brinca Valle. As diferenças entre uma mancha cancerígena e uma normal são muito sutis, especialmente ao olho humano.
Exemplos de melanomas, na fileira de cima, e manchas normais, na fileira de baixo. (Imagens: IRMA, RWTH Aachen University. Montagem: Eduardo Valle.
Atualmente, o diagnóstico do melanoma é feito pelo médico, que faz uso de um método tradicional para avaliar a assimetria, a irregularidade da borda, a cor e o diâmetro da mancha. O conhecimento técnico e a experiência do médico pesam muito nestes quesitos; porém, pesquisas que usaram da mesma técnica humana em computadores não obtiveram bons resultados.
“Replicamos algumas literaturas e nunca chegamos a atingir resultados satisfatórios, acima de 75% de acertos”, explica Valle. Mas, uma vez criado o próprio código, que não foca tanto no método de reconhecimento humano e faz melhor proveito do processamento do computador — que avalia muitos detalhes de forma rápida, por exemplo — o resultado foi outro.
Começando com uma base de imagens do que é e o que não é melanoma, os pesquisadores puderam ensinar o computador a identificar a doença, assim encaminhando para consultas médicas apenas pacientes que precisam da devida atenção. “Basicamente, criamos cenários para o computador. Mostramos a ele imagens que possuem a doença, junto a anotações médicas, e imagens que não possuem. Disso, ele aprende a identificá-las sozinho”, explica Valle. “Isso é estatística. Machine learning é apenas um nome de marketing para estatística.”
A precisão do trabalho chega a mais de 90%, mas ainda é difícil saber se isso terá resultados palpáveis, uma vez que é difícil conseguir bancos de imagens para análise e a literatura atual da área é muito fraca. “Cada trabalho usa uma base de imagens muito própria e muito distinta, e também é comum não especificarem detalhes importantes para a reprodução”, conta Valle. Ele explica que, como cada trabalho usa uma base de imagens de número distinto, isso acaba causando um percentual diferente de acertos para cada pesquisa.
Assim como o estudo da retinopatia diabética, a pesquisa do melanoma não visa substituir o médico, e sim criar uma triagem automática, permitindo acelerar o atendimento e levá-lo a áreas rurais distantes e sem acesso a exames como estes. O objetivo é melhorar o aprendizado de máquina para que a triagem seja tão boa quanto a de um médico, além de engajar a comunidade para criar mais bases de imagens e dados, unindo forças com a comunidade científica.
fique por dentro das novidades giz
Inscreva-se agora para receber em primeira mão todas as notícias sobre tecnologia, ciência e cultura, reviews e comparativos exclusivos de produtos, além de descontos imperdíveis em ofertas exclusivas
Da esquerda para a direita, um olho normal e um olho com retinopatia diabética em estado avançado. Crédito: EyePACS
