.
A grande maioria dos modelos de IA usados na medicina hoje são “especialistas limitados”, treinados para realizar uma ou duas tarefas, como escanear mamografias em busca de sinais de câncer de mama ou detectar doenças pulmonares em radiografias de tórax.
Mas a prática diária da medicina envolve uma gama infinita de cenários clínicos, apresentações de sintomas, possíveis diagnósticos e enigmas de tratamento. Portanto, se a IA cumprir sua promessa de remodelar o atendimento clínico, ela deve refletir essa complexidade da medicina e fazê-lo com alta fidelidade, diz Pranav Rajpurkar, professor assistente de informática biomédica no Instituto Blavatnik da HMS.
Entre na IA médica generalista, uma forma mais evoluída de aprendizado de máquina capaz de executar tarefas complexas em uma ampla variedade de cenários.
Semelhante aos médicos de medicina geral, explicou Rajpurkar, os modelos generalistas de IA médica podem integrar vários tipos de dados – como exames de ressonância magnética, raios-X, resultados de exames de sangue, textos médicos e testes genômicos – para executar uma série de tarefas, desde fazer chamadas de diagnóstico complexas para apoiar decisões clínicas para escolher o tratamento ideal. E eles podem ser implantados em uma variedade de ambientes, desde a sala de exames até a enfermaria do hospital, passando pela suíte de procedimentos gastrointestinais ambulatoriais até a sala de cirurgia cardíaca.
Embora as primeiras versões da IA médica generalista tenham começado a surgir, seu verdadeiro potencial e profundidade de recursos ainda não se materializaram.
“As capacidades em rápida evolução no campo da IA redefiniram completamente o que podemos fazer no campo da IA médica”, escreve Rajpurkar em uma perspectiva recém-publicada em Naturezano qual ele é co-autor sênior com Eric Topol do Scripps Research Institute e colegas da Stanford University, Yale University e University of Toronto.
A IA médica generalista está prestes a transformar a medicina clínica como a conhecemos, mas com essa oportunidade surgem sérios desafios, dizem os autores.
No artigo, os autores discutem os recursos definidores da IA médica generalista, identificam vários cenários clínicos em que esses modelos podem ser usados e traçam o caminho a seguir para seu design, desenvolvimento e implantação.
Características da IA médica generalista
As principais características que tornam os modelos generalistas de IA médica superiores aos modelos convencionais são sua adaptabilidade, versatilidade e capacidade de aplicar o conhecimento existente a novos contextos.
Por exemplo, um modelo tradicional de IA treinado para detectar tumores cerebrais em uma ressonância magnética cerebral examinará uma lesão em uma imagem para determinar se é um tumor. Ele não pode fornecer nenhuma informação além disso. Por outro lado, um modelo generalista olharia para uma lesão e determinaria que tipo de lesão é – um tumor, um cisto, uma infecção ou qualquer outra coisa. Pode recomendar mais testes e, dependendo do diagnóstico, sugerir opções de tratamento.
“Em comparação com os modelos atuais, a IA médica generalista será capaz de realizar um raciocínio mais sofisticado e integrar vários tipos de dados, o que permite construir uma imagem mais detalhada do caso de um paciente”, disse o co-autor do estudo Oishi Banerjee, pesquisador associado em o laboratório Rajpurkar, que já está trabalhando na concepção desses modelos.
Segundo os autores, os modelos generalistas serão capazes de:
- Adapte-se facilmente a novas tarefas sem a necessidade de retreinamento formal. Eles executarão a tarefa simplesmente explicando-a em inglês simples ou em outro idioma.
- Analise vários tipos de dados — imagens, textos médicos, resultados de laboratório, sequenciamento genético, históricos de pacientes ou qualquer combinação deles — e tome uma decisão. Em contraste, os modelos convencionais de IA são limitados ao uso de tipos de dados predefinidos – somente texto, apenas imagem – e apenas em determinadas combinações.
- Aplique o conhecimento médico para raciocinar por meio de tarefas inéditas e use uma linguagem medicamente precisa para explicar seu raciocínio.
Cenários clínicos para uso de IA médica generalista
Os pesquisadores descrevem muitas áreas nas quais os modelos generalistas de IA médica ofereceriam soluções abrangentes.
Alguns deles são:
- Relatórios de radiologia.
A IA médica generalista atuaria como um assistente de radiologia digital versátil para reduzir a carga de trabalho e minimizar o trabalho mecânico.
Esses modelos podem elaborar relatórios de radiologia que descrevam tanto as anormalidades quanto os achados normais relevantes, além de levar em consideração o histórico do paciente.
Esses modelos também combinariam narrativa de texto com visualização para destacar áreas em uma imagem descrita pelo texto.
Os modelos também seriam capazes de comparar descobertas anteriores e atuais na imagem de um paciente para iluminar mudanças reveladoras sugestivas de progressão da doença.
- Assistência cirúrgica em tempo real.
Se uma equipe operacional encontrar um obstáculo durante um procedimento – como a falha em encontrar uma massa em um órgão – o cirurgião pode pedir ao modelo que revise os últimos 15 minutos do procedimento para procurar erros ou descuidos.
Se um cirurgião encontrar uma característica anatômica ultra-rara durante a cirurgia, o modelo poderá acessar rapidamente todos os trabalhos publicados sobre esse procedimento para oferecer informações em tempo real.
- Apoio à decisão à beira do leito do paciente.
Os modelos generalistas ofereceriam alertas e recomendações de tratamento para pacientes hospitalizados, monitorando continuamente seus sinais vitais e outros parâmetros, incluindo os registros do paciente.
Os modelos seriam capazes de antecipar emergências iminentes antes que elas ocorram. Por exemplo, um modelo pode alertar a equipe clínica quando um paciente está prestes a entrar em choque circulatório e sugerir imediatamente medidas para evitá-lo.
À frente, promessa e perigo
Os modelos generalistas de IA médica têm o potencial de transformar os cuidados de saúde, dizem os autores. Eles podem aliviar o desgaste do clínico, reduzir erros clínicos e agilizar e melhorar a tomada de decisões clínicas.
No entanto, esses modelos vêm com desafios únicos. Suas características mais fortes – extrema versatilidade e adaptabilidade – também representam os maiores riscos, alertam os pesquisadores, porque exigirão a coleta de dados vastos e diversos.
Algumas armadilhas críticas incluem:
- Necessidade de treinamento extensivo e contínuo.
Para garantir que os modelos possam mudar as modalidades de dados rapidamente e se adaptar em tempo real, dependendo do contexto e do tipo de pergunta feita, eles precisarão passar por um treinamento extensivo em diversos dados de várias fontes e modalidades complementares.
Esse treinamento teria que ser realizado periodicamente para acompanhar as novas informações.
Por exemplo, no caso de novas variantes do SARS-CoV-2, um modelo deve ser capaz de recuperar rapidamente os principais recursos das imagens de raios-X da pneumonia causada por uma variante mais antiga para contrastar com as alterações pulmonares associadas a uma nova variante.
- Validação.
Os modelos generalistas serão especialmente difíceis de validar devido à versatilidade e complexidade das tarefas que serão solicitadas a realizar.
Isso significa que o modelo precisa ser testado em uma ampla gama de casos que pode encontrar para garantir seu desempenho adequado.
O que isso significa, disse Rajpurkar, é definir as condições sob as quais os modelos funcionam e as condições sob as quais eles falham.
- Verificação.
Em comparação com os modelos convencionais, a IA médica generalista lidará com muito mais dados, tipos de dados mais variados e dados de maior complexidade.
Isso tornará muito mais difícil para os médicos determinar a precisão da decisão de um modelo.
Por exemplo, um modelo convencional examinaria um estudo de imagem ou uma imagem de slide inteiro ao classificar o tumor de um paciente. Um único radiologista ou patologista poderia verificar se o modelo estava correto.
Em comparação, um modelo generalista poderia analisar lâminas de patologia, tomografias computadorizadas e literatura médica, entre muitas outras variáveis, para classificar e estadiar a doença e fazer uma recomendação de tratamento.
Uma decisão tão complexa exigiria verificação por um painel multidisciplinar que inclui radiologistas, patologistas e oncologistas para avaliar a precisão do modelo.
Os pesquisadores observam que os designers podem facilitar esse processo de verificação incorporando explicações, como links clicáveis para passagens de suporte na literatura, para permitir que os médicos verifiquem com eficiência as previsões do modelo.
Outra característica importante seria construir modelos que quantifiquem seu nível de incerteza.
- Preconceitos.
Não é segredo que os modelos de IA médica podem perpetuar vieses, que podem adquirir durante o treinamento quando expostos a conjuntos de dados limitados obtidos de populações não diversas.
Esses riscos serão ampliados ao projetar IA médica generalista devido à escala e complexidade sem precedentes dos conjuntos de dados necessários durante seu treinamento.
Para minimizar esse risco, os modelos generalistas de IA médica devem ser totalmente validados para garantir que não tenham desempenho inferior em populações específicas, como grupos minoritários, recomendam os pesquisadores.
Além disso, eles precisarão passar por auditoria e regulamentação contínuas após a implantação.
“São obstáculos sérios, mas não intransponíveis”, disse Rajpurkar. “Ter uma compreensão clara de todos os desafios desde o início ajudará a garantir que a IA médica generalista cumpra sua tremenda promessa de mudar a prática da medicina para melhor”.
.
