Diagnósticos médicos auxiliados por Deep Learning
No artigo, apresento o uso de deep learning na saúde e dois exemplos de redes neurais para detecção de câncer de pele e pneumonia.
Escrito por Adriano Moala.
Além da classificação do conteúdo de uma imagem, o uso de rede neural na medicina é muito relevante e tem mostrado excelentes resultados. É claro que esse tipo de tecnologia não vem para substituir um especialista, mas para auxiliar na tomada de decisão, principalmente onde a oferta médica especializada é baixa.
Em breve, todos os aparelhos de raio-x, tomografia, ressonância magnética e outros virão com Inteligência Artificial embutida para marcar regiões que merecem um olhar mais cuidadoso, ou seja, não serão apenas aparelhos de medição, serão ferramentas de suporte à decisão.
Isso será possível com a chamada rede profunda, esse nome vem da sua construção. Deep Learning é uma classe dentro de Machine Learning. Em ambos, o algoritmo “aprende” com as informações dos dados. Uma rede neural com poucas convoluções (convolutional neural network) não seria uma rede profunda, da mesma forma que uma rede tradicional do tipo MLP (multi layer perceptron) também não seria. Mas, com a popularidade do nome Deep, é comum enquadrar qualquer tipo de rede neural como Deep Learning.
A operação de convolução como um filtro de imagem em uma rede neural foi introduzida por Yann LeCun (1989, Generalization and Network Design Strategies) e utilizada mais tarde para criar a LeNet em 1998, que pode ser vista na imagem abaixo.
Em comparação, a ilustração a seguir mostra a rede profunda criada em 2015, pelo Google, chamada InceptionV3.
Os estudos mais comuns com inteligência artificial no diagnóstico por imagem, também por causa de bancos de dados abertos para pesquisa, são: pneumonia, câncer de pulmão, câncer de pele e câncer de mama.
Cada vez mais são publicados artigos sobre o diagnóstico médico por IA. Seja ele uma melhora no algoritmo em relação a uma versão anterior, ou até mesmo para mostrar que a IA obteve resultados tão bons quanto um grupo de especialistas.
No trabalho de McKinney (2020), a IA para detectar câncer de mama em imagens de raio-x superou a média de seis radiologistas em 11pp na avaliação da área abaixo da curva ROC (AUROC).
Já o modelo para estimar o risco de câncer de pulmão, estudado por Ardila (2019), alcançou uma AUROC de 94,4%. Quando os pacientes tinham exames anteriores, a IA e seis radiologias obtiveram resultados semelhantes. Mas, quando apenas o resultado atual era disponível, então a IA reduziu os falsos positivos em 11pp e os falsos negativos em 5pp.
Observação
A ideia a seguir é ilustrar algumas aplicações com o treinamento de duas redes neurais, uma para detectar câncer de pele, e outra para pneumonia. Será deep learning? Sim.
Elas foram construídas sem explorar o máximo de arquiteturas nem dos hiperparâmetros, servindo para indicar que mesmo com estruturas “simples” é possível ver o alto potencial desses modelos no diagnóstico de doenças.
O framework utilizado para otimização foi o TensorFlow/Keras e uma GPU P100 da NVIDIA.
Transfer Learning
O treino foi feito com uma técnica chamada Transfer Learning, que é muito útil quando não temos um volume grande de imagens. Ela usa todas as camadas de convoluções dessas redes treinadas com o ImageNet para extrair características das imagens. Depois, conecta-se uma nova camada limpa para ligar a nossa resposta de interesse, por exemplo, maligno ou benigno, pneumonia ou normal etc. A imagem a seguir ilustra a técnica.
Para as aplicações com câncer de pele e pneumonia, as últimas camadas azuis (retângulos), chamadas de Fully Connected, são trocadas pelas roxas. Para a extração de features, usarei a InceptionResNetV2, proposta por pesquisadores do Google, conectada a duas novas camadas, a primeira com 2.048 neurônios e a segunda com 128 neurônios, ambas com ativação ReLU e a resposta com ativação softmax. Essa rede tem dimensão de entrada 299×299 e gera 1.536 mapas com dimensão 8×8 na última convolução, isso equivale a extrair 98.304 features de cada imagem. Você também pode imaginar uma planilha em que cada linha representará uma imagem com 98.304 colunas numéricas.
Aplicação com Câncer de Pele
Como teste, construí uma rede para detectar se o tumor é maligno ou benigno. Foram selecionadas 3,4 mil imagens para treino e 1.000 para teste do repositório ISIC. As classes estão balanceadas no treino e teste.
Algumas imagens do repositório estavam com resolução muito alta, podendo chegar a 22MB. O download de 4,8 mil imagens totalizou 11GB, por isso elas foram redimensionadas para 400x400 e isso gerou menos de 100MB.
O treino da rede neural resultou em 95% de precisão e AUC de 94,6%, com maior facilidade para acertar os benignos. São resultados bem interessantes já que as arquiteturas não foram exploradas ao máximo.
Aplicação com Pneumonia
Para o próximo exemplo, usei os dados do trabalho de Kermany et al.(2018) na detecção de Pneumonia. A figura ilustra dois tipos, mas a IA do nosso exemplo trabalhará apenas com a classificação Normal e Pneumonia (viral+bacteriana).
O banco de imagens pode ser baixado do link anterior e contém cerca de 5 mil imagens para treino e 600 para teste. A acurácia geral é de 88% com um pouco mais de dificuldade para detectar pneumonia que no exemplo anterior, com tumor maligno.
Considerações Finais
Os testes indicam que, sem muito esforço computacional, chega-se a resultados muito interessantes com deep learning. Nesse processo, vale lembrar que os especialistas médicos ainda são fundamentais para marcação dos bancos de dados, garantindo variabilidade de registros e com qualidade para treinamento contínuo.
Alguns pesquisadores desses problemas já chegaram no estado da arte no sentido de terem superado a análise humana. Mas, isso não quer dizer que a “máquina” será responsável pelo diagnóstico final, mas sim uma fornecedora de informação adicional. Populações que ficam distantes dos grandes centros médicos seriam beneficiadas por um diagnóstico mais preciso, evitando grandes deslocamentos e uma longa fila de espera.
Agradecimentos
Revisão e Sugestão Técnica: Emerson Aguiar, Fernanda Ribeiro, Marilia Costa, Equipe de Comunicação Institucional.
Referências
Dumoulin, V., & Visin, F. (2016). A guide to convolution arithmetic for deep learning. arXiv preprint arXiv:1603.07285.
Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., & Wojna, Z. (2016). Rethinking the inception architecture for computer vision. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 2818–2826).
Ardila, D., Kiraly, A.P., Bharadwaj, S. et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography. Nat Med 25, 954–961 (2019). https://doi.org/10.1038/s41591-019-0447-x
McKinney, S.M., Sieniek, M., Godbole, V. et al. International evaluation of an AI system for breast cancer screening. Nature 577, 89–94 (2020). https://doi.org/10.1038/s41586-019-1799-6
