faz parte da divisão Informa Markets da Informa PLC

Este site é operado por uma empresa ou empresas de propriedade da Informa PLC e todos os direitos autorais residem com eles. A sede da Informa PLC é 5 Howick Place, Londres SW1P 1WG. Registrado na Inglaterra e no País de Gales. Número 8860726.

Como usar aprendizagem de máquina para encontrar lesões?

Article-Como usar aprendizagem de máquina para encontrar lesões?

A startup Enlitic promete ser uma grande inovação em saúde com ferramentas que ensinem computadores a reconhecer lesões.

A startup Enlitic promete ser uma grande inovação em saúde e, segundo o CEO da empresa, Jeremy Howard, a ideia é criar ferramentas que ensinem computadores como reconhecer lesões, doenças e distúrbios, mostrando a eles arquivos de raio-X, tomografias computadorizadas, ressonâncias magnéticas, dentre outros.

Segundo Howard, com este background de centenas de exames de cada tipo, o computador pode passar a identificar lesões e fazer marcações nas imagens para que haja investigação médica. Para isso, o médico teria que olhar somente as marcadas pelo computador para realizar uma investigação final.

Aprendizado de máquina está sendo usado com bastante frequência em inovação em saúde, já que os computadores estão ficando cada vez mais potentes, rápidos e capazes de realizar cálculos avançados.

A estratégia pode ser usada em diversas outras áreas, mas o reconhecimento do computador é bastante automatizado, reconhecendo imagens quase iguais às que forem ensinadas, sendo necessária, então uma quantidade grande de referências para que não haja equívocos.

Segundo ele, imagens de doenças tendem a ser consistentes, o que, possivelmente, ajudará na aprendizagem da máquina, tornando a inovação em saúde mais fidedigna aos resultados reais.

É claro que um diagnóstico é mais do que apenas olhar uma imagem. O CEO explica, então, que a ferramenta da startup pode ser usada para busca em grandes bases de dados para comparação com algum paciente em especial, por exemplo.

"Eu não quero dizer pixels semelhantes, mas com base em um algoritmo de aprendizagem profunda que ele tenham uma expectativa de desfecho semelhantes e intervenções úteis semelhantes", diz ele.

Por último, ele falou para o MIT: "Nós não estamos tentando substituir os radiologistas. Estamos buscando dar-lhes a informação de que precisam para fazer o que fazem 10 vezes mais rápido".