A IA está a revelar-se excecionalmente útil para diagnosticar doenças a partir de imagens médicas, como os raios X, em grande escala. No entanto, as ferramentas de IA nem sempre são capazes de reconhecer as suas próprias imprecisões.
Em resposta, a Google desenvolveu um novo sistema de IA denominado "Complementarity-driven Deferral-to-Clinical Workflow" (CoDoC), que consegue discernir quando confiar em diagnósticos baseados em IA e solicitar uma segunda opinião de um médico humano.
De acordo com o estudoO CoDoC reduz a carga de trabalho da análise de dados de exames médicos em 66%, mas também detecta quando uma decisão de IA está potencialmente errada, o que reduz os falsos positivos em 25%.
O CoDoC funciona em paralelo com os sistemas de IA existentes, normalmente utilizados para interpretar imagens médicas, como radiografias do tórax ou mamografias.
Por exemplo, se uma ferramenta de IA estiver a interpretar uma mamografia, o CoDoC avalia se a confiança sentida pela ferramenta na sua análise é suficientemente forte para ser aceite. Se houver alguma ambiguidade, o CoDoC solicita uma segunda opinião a um perito humano.
Eis como funciona:
- Para treinar o CoDoC, a Google utilizou dados de ferramentas de IA clínica existentes e comparou-os com a interpretação das mesmas imagens por um médico humano. O modelo foi ainda validado com a pós-análise de dados através de biópsia ou outros métodos.
- Este processo permite ao CoDoC aprender e compreender a exatidão da análise e dos níveis de confiança de uma ferramenta de IA em comparação com os médicos humanos.
- Uma vez treinado, o CoDoC pode determinar se uma análise de digitalização efectuada pela IA é fiável ou se é necessária uma revisão humana.
Alan Karthikesalingam da Google Health UK, que participou na investigação, disse"Se utilizarmos o CoDoC juntamente com a ferramenta de IA e os resultados de um radiologista real, e se o CoDoC ajudar a decidir qual a opinião a utilizar, a precisão resultante é melhor do que a de uma pessoa ou da ferramenta de IA isoladamente."
Foram efectuados mais testes do CoDoC utilizando diferentes conjuntos de dados de mamografias e radiografias para o rastreio da tuberculose em vários sistemas de IA preditiva, obtendo-se resultados positivos.
Krishnamurthy Dvijotham, da Google DeepMind, observou: "A vantagem do CoDoC é que é interoperável com uma variedade de sistemas de IA proprietários".
No entanto, Helen Salisbury, da Universidade de Oxford, salienta que alguns processos de diagnóstico médico são mais complexos do que aqueles com que o CoDoC foi testado. Helen Salbury, da Universidade de Oxford, refere que alguns processos de diagnóstico médico são mais complexos do que aqueles com os quais a CoDoC foi testada. "Para sistemas em que não temos qualquer hipótese de influenciar, post-hoc, o que sai da caixa negra, parece ser uma boa ideia acrescentar a aprendizagem automática. Não sei se isso aproxima mais a IA que vai estar connosco todos os dias, no nosso trabalho de rotina".
Como salientam os investigadores, a interoperabilidade da CoDoC significa que pode ser integrada em diferentes fluxos de trabalho de diagnóstico.
AOs sistemas I podem trabalhar com sistemas de IA para melhorar a sua exatidão. Como diz o ditado, quatro olhos vêem mais do que dois.
