Pesquisadores do MIT, em parceria com o Broad Institute do MIT e Harvard e o Massachusetts General Hospital, desenvolveram um inovador modelo de aprendizado de máquina denominado Tyche, capaz de capturar incertezas em imagens médicas. Este avanço pode transformar significativamente a maneira como médicos e pesquisadores abordam a segmentação de imagens médicas, um processo crítico na identificação de condições de saúde a partir de imagens de órgãos ou células.
A segmentação de imagens médicas é um desafio porque a interpretação de bordas e outras características em uma imagem pode variar entre especialistas. Tradicionalmente, os modelos de inteligência artificial (IA) fornecem uma única resposta “certa” para cada imagem. No entanto, a realidade é que diferentes especialistas podem interpretar a mesma imagem de maneiras diversas, resultando em múltiplas “respostas” corretas. Tyche, que leva o nome da deusa grega do acaso, introduz uma metodologia para refletir essa pluralidade de possíveis interpretações corretas, oferecendo várias segmentações plausíveis para uma única imagem.
Marianne Rakic, candidata a doutoramento em ciências da computação no MIT e autora principal do estudo, destaca a importância de reconhecer as incertezas nas imagens médicas. “Ver a incerteza pode influenciar significativamente as decisões clínicas. É crucial incorporar essa incerteza nos modelos de IA para refletir mais precisamente a complexidade da medicina real”, explica Rakic.
Uma das principais inovações de Tyche é sua capacidade de operar sem a necessidade de reconfiguração ou re-treinamento extensivo para enfrentar novas tarefas de segmentação. Isso simplifica significativamente seu uso em ambientes clínicos, onde pode ser aplicado “pronto para uso” em uma variedade de situações diagnósticas, desde a detecção de lesões em radiografias até anomalias em ressonâncias magnéticas cerebrais.
Além disso, Tyche oferece a capacidade de gerar múltiplas segmentações plausíveis, permitindo que os usuários escolham a mais apropriada para suas necessidades específicas. Isso é alcançado através de uma abordagem inovadora na arquitetura de redes neurais, onde Tyche ajusta as camadas da rede para permitir uma “conversa” entre as segmentações candidatas, garantindo que elas sejam consistentes, mas distintamente diferentes.
Os resultados obtidos por Tyche foram destacados na Conferência IEEE sobre Visão Computacional e Reconhecimento de Padrões, onde o modelo foi reconhecido como um dos destaques do evento. As experimentações mostraram que as previsões de Tyche capturam de forma eficaz a diversidade das interpretações dos anotadores humanos, e frequentemente superam os modelos base em termos de precisão e tempo de resposta.
Adrian Dalca, professor assistente da Harvard Medical School e coautor do estudo, ressalta a relevância desses achados. “Se um modelo de IA consistentemente ignora um nódulo que múltiplos especialistas identificaram, isso é um indicativo de que precisamos ajustar nossa abordagem. Tyche nos permite fazer exatamente isso, ajustando-se à complexidade inerente da interpretação médica.”
Os financiamentos para este projeto foram providos, em parte, pelos Institutos Nacionais de Saúde, pelo Centro Eric e Wendy Schmidt do Broad Institute do MIT e Harvard, e pela Quanta Computer. Os pesquisadores planejam continuar aprimorando Tyche, explorando a incorporação de um conjunto de contexto mais diversificado e métodos para otimizar as previsões menos precisas.
