Algoritmo supera humanos em diagnóstico de doença

Criado em Stanford, projeto pode ajudar a detectar condição em regiões com poucos profissionais da área médica

São Paulo – Um algoritmo desenvolvido por pesquisadores da Universidade de Stanford se mostrou mais eficaz do que radiologistas humanos para diagnosticar casos de pneumonia.

Alimentado com 112.120 imagens de raio-X de peito referentes a 14 tipos de doenças, o algoritmo foi criado para facilitar a desafiadora tarefa de diagnosticar patologias como a pneumonia. “Nos interessamos em desenvolver algoritmos de machine learning que podem aprender de milhares de diagnósticos a partir de raio-x de peito e fazer diagnósticos precisos”, escreve Pranav Rajpurkar, estudante de graduação no grupo de machine learning de Stanford e co-autor do estudo, publicado arXiv, que reúne artigos científicos ainda não publicados em periódicos do ramo. O machine learning é um processo que simula a aprendizagem humana com eficiência computacional.

Os pesquisadores trabalharam junto com Matthew Lungren, professor assistente de radiologia, para desenvolver o algoritmo. Sob sua supervisão, quatro radiologistas de Stanford fizeram anotações sobre 420 imagens de raio-x de peito para detectar a pneumonia. Dentro de um mês de funcionamento, o algoritmo já conseguia diagnosticar a doença com maior precisão do que os profissionais humanos.

“A motivação por trás desse trabalho é ter um modelo de deep learning para ajudar na tarefa da interpretação de imagens para superar as limitações intrínsecas à percepção e ao viés humano, e reduzir erros”, segundo Lungren.  

Os pesquisadores responsáveis pelo estudo também desenvolveram um programa de computador que gera uma espécie de mapa de calor sobre os raio-x de peito dos pacientes para facilitar o diagnóstico da pneumonia. O objetivo é que ele possa ajudar a detectar a doença em locais onde não existem radiologistas para atender ao povo.

A equipe se diz dedicada a projetos de machine learning no futuro, um campo que, segundo eles, tem “potencial massivo”.