GABRILA65162183544miv_Superinteressante Created with Sketch.

Algoritmo supera humanos em diagnóstico de doença

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

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”.

Este conteúdo foi publicado originalmente em Exame.com