Há pouco mais de 50 anos uma das primeiras aplicações na área de análise computadorizada de imagens era publicada. É fácil imaginar que essa aplicação estivesse relacionada a detecção de objetos ou reconhecimento de faces, dada a relevância destes tópicos nas últimas décadas. Entretanto, o que o pesquisador JM Prewitt e seus colegas propuseram nesta publicação, de 1965, foi a utilização do computador para análise automática das características morfológicas de células e cromossomos.

Nos anos seguintes, o uso de computadores para a análise de imagens se espalhou com muito sucesso por diversas áreas do conhecimento, de agricultura à segurança, passando por segmentos tão diferentes quanto robótica ou museologia. Em medicina, especialmente, o processamento de imagens impactou fortemente a maneira como doenças são diagnosticadas e como tratamentos são planejados.

A disponibilidade cada vez maior de diferentes tipos de exames de imagem de alta resolução representou um grande avanço no combate aos mais diversos problemas de saúde, mas trouxe consigo o desafio de como transformar este grande e heterogêneo volume de dados em informação útil para diagnóstico. Neste cenário, o desenvolvimento de metodologias eficientes para auxílio a diagnóstico tem sido uma tônica na comunidade de imageamento médico e análise computadorizada de imagens.

Vejamos o exemplo de Digital Pathology, área recente que tem se tornado cada vez mais recorrente nos meios clínicos e científicos. Nela imagens de altíssima resolução são obtidas por meio do processo de digitalização das lâminas provenientes de exames de biópsia. Tal processo tornou-se possível apenas recentemente com o advento dos scanners de lâminas, capazes de gerar imagens digitalizadas de alta resolução a partir das tradicionais lâminas de vidro.

Estas imagens são então utilizadas para visualização, anotação e análise computadorizada, em que um especialista tem o objetivo de estabelecer um diagnóstico para um paciente específico. O interessante é que em geral, o volume de dados gerados por esses processos de digitalização supera em muito a capacidade dos especialistas de analisá-los. Tanto que muitas vezes os especialistas analisam apenas pequenas porções da imagem. Além disso, pode-se levar anos até que um especialista adquira conhecimento necessário para analisar as imagens de maneira confiável.

Neste sentido, as técnicas de inteligência artificial combinadas com modelos semânticos tem sido cada vez mais utilizadas e traduzem o conhecimento tácito da comunidade médica em conhecimento programático, e com isso obtido resultados cada vez mais promissores.  Hospitais, grandes grupos de laboratórios, fabricantes de aparelhos de imageamento médico e os grandes players de computação têm realizado esforços no sentido de prover soluções inteligentes e integradas. Atualmente, procura-se não apenas a mera disponibilização de imagens de alta qualidade, mas um panorama mais completo, com informação agregada da área imageada considerando diferentes modalidades, histórico do paciente, e dados de prognósticos e diagnósticos acumulados em disputados bancos de dados médicos.

A tendência atual do uso combinado de inteligência artificial e conhecimento especializado é especialmente aderente ao conceito de computação cognitiva. Ainda que a decisão final continue sendo pessoal e humana, o desafio é como prover o especialista com informação útil, concisa e precisa para ajudá-lo a trabalhar de maneira mais eficiente. A utilização de dados históricos e a extração de conhecimento estruturado desses dados têm papel fundamental neste tópico. A modelagem de conhecimento especialista permite que modelos complexos sejam criados e utilizados em diferentes cenários em que hospitais de menor porte podem se beneficiar de conhecimento gerado nos grandes centros de medicina do mundo.

* Matheus Palhares Viana e Dário Augusto Borges Oliveira são pesquisadores do Laboratório de Pesquisa da IBM Brasil

DEIXE UMA RESPOSTA

Please enter your comment!
Please enter your name here