Latest / RetinaPro / #202 IA e Oftalmologia

Transcript

#202 IA e Oftalmologia · RetinaPro

0:02
Seja bem-vindo ao retina procast, o podcast da retina pro
0:07
oftalmologia inovação e tudo que você precisa saber sobre saúde
0:11
ocular sabe quando a gente pensa no arquétipo do diagnóstico
0:14
médico? Existe toda uma expectativa
0:17
cultural, digamos assim, de uma precisão visual imediata.
0:21
Uhum é quase como se fosse uma engenharia estrutural, né?
0:25
Exato, pensa na ortopedia, por exemplo.
0:28
Um paciente cai, quebra o braço, aí a radiografia revela aquela
0:32
linha branca bem regular do rádio fraturado e o ortopedista
0:36
simplesmente aponta pra chapa e diz tipo, olha, aí está o
0:39
problema. É um processo super binário.
0:42
Tá quebrado ou não tá quebrado? Pois é, e é uma zona de conforto
0:46
clínica inegável. E faz sentido, sabe?
0:49
O cérebro humano é biologicamente programado para
0:53
gostar de categorizações visuais muito claras, a gente busca
0:57
bordas definidas, contrastes absolutos o tempo todo.
1:01
Mas aí a gente entra no mundo micrométrico da oftalmologia e
1:05
especificamente na retina, quando um retinólogo senta
1:09
diante de um monitor olhando para dezenas de cortes de
1:12
biskans de um OCT. No meio de um ambulatório
1:16
lotado. Nossa, nem me fale.
1:17
E tentando avaliar flutuações quase invisíveis de fluido
1:21
intrarretiniano. De repente aquela máquina de
1:24
raio x metafórica não serve mais para nada.
1:28
O cenário diagnóstico se torna exaustivo e, sendo bem honesto,
1:32
bastante turvo. É a definição absoluta de águas
1:36
turvas na prática clínica. A fadiga visual humana entra em
1:40
jogo de uma maneira muito agressiva e.
1:43
Porque pensa bem quando se está no 30º paciente do dia, a
1:48
Fronteira visual entre o que é uma progressão real da exudação
1:52
ou apenas um ruído basal na imagem começa a se misturar
1:56
completamente. E é exatamente para trazer
1:58
clareza a esse cenário que a gente está aqui hoje, o foco da
2:03
nossa análise profunda de hoje. É um artigo de revisão massivo e
2:08
super detalhado publicado no EJA Pacific Journal of of
2:12
oftalmology agora em 2024, sobre a inteligência artificial nas
2:17
doenças retinianas. Um material excelente, por
2:20
sinal. Sim, muito rico, e o nosso
2:22
objetivo com essa imersão hoje é de secar esse material
2:26
especificamente para quem está na linha de frente, ou seja,
2:29
nossos colegas oftalmologistas e retinólogos que nos acompanham.
2:34
Como a fisiopatologia e a clínica da degeneração macular
2:38
relacionada à idade da retinopatia diabética e da hop
2:41
já estão super consolidadas pra essa audiência, a gente não vai
2:45
perder tempo explicando o que é uma drusa.
2:47
Claro, não faz sentido. Nossa missão hoje é literalmente
2:51
abrir a caixa preta da tecnologia.
2:54
E a proposta é exatamente essa, descascar as camadas
2:57
computacionais. A gente vai entender os métodos
3:00
por trás da interface gráfica que estão de fato mudando a
3:03
conduta médica. Vamos desde a lógica de triagem
3:07
populacional baseada em pixels até uma temática preditiva que
3:10
tenta sabe adivinhar quantas injeções de anti verg f um
3:14
paciente vai precisar no próximo ano?
3:16
É porque a inteligência artificial já deixou de ser
3:19
aquele conceito de ficção científica em simpósios, ela
3:23
está operando hoje como uma ferramenta de precisão em
3:27
centros de imagem. Mas, sendo muito honesto, eu
3:31
confesso que tenho uma dose saudável de.
3:38
Porque, no fim das contas, o algoritmo não veste jaleco, não
3:41
sofre processo ético e não assinalar o doméstico.
3:45
Então, se a gente vai confiar o estadiamento de uma doença que
3:48
pode cegar uma pessoa a uma máquina, nós precisamos entender
3:52
como essa máquina pensa. O artigo aborda exatamente isso.
3:56
E o ponto central é que o valor real da IA não é e não deve ser
4:01
substituir o raciocínio clínico. A ideia é que ela atue como um
4:05
sintetizador de dados invisíveis.
4:08
A máquina revela padrões quantitativos complexos em
4:11
matrizes de pixels que a nossa biologia simplesmente não
4:14
evoluiu para processar. Nós humanos vemos tecidos, a
4:17
máquina de geometria e estatística pura.
4:20
Certo, mas vamos destrinchar como isso funciona na prática.
4:23
Começando pelo começo, que é a triagem populacional, o artigo
4:27
lista vários sistemas autônomos que já estão aprovados e rodando
4:30
comercialmente, tipo o luminete score.
4:33
Uai art OAIEE aquele sistema monumental Selena, lá de
4:37
Cingapura? Sim, sistemas muito robustos.
4:41
E nos ensaios clínicos, todos eles apresentam uma
4:44
sensibilidade e especificidade que nossa benjam a perfeição.
4:50
Mas aí o estudo menciona um caso que me chamou muita atenção, o
4:54
sistema Arda do Google. Eles pegaram esse algoritmo
4:58
lindamente treinado, implantaram na vida real lá na Tailândia, e
5:03
o desempenho despencou bizarramente.
5:05
Foi um banho de Água Fria na época.
5:08
Choveram imagens marcadas como inclassificáveis.
5:11
Por que a máquina tropeçou tão feio assim no mundo real?
5:14
A. Resposta curta é que o mundo
5:16
real é caótico e os dados de treinamento iniciais eram
5:20
estéreis. É assim um algoritmo treinado em
5:30
um ambiente clínico super controlado, com equipamentos de
5:34
ponta, pupilas perfeitamente dilatadas.
5:38
Ele cria um viés de perfeição. Quando Arda chegou na Tailândia,
5:42
ele encontrou clínicas com a iluminação inadequada, câmeras
5:46
com lentes sujas ou arranhadas, operadores que talvez fossem
5:50
menos experientes e pacientes com Cataratas densas.
5:54
Quer dizer, a máquina estava acostumada a andar em uma pista
5:57
de testes perfeita, daquelas de Fórmula 1, mas no mundo real,
6:01
ela pegou uma estrada de Terra com chuva no para brisa.
6:04
Uma excelente forma de visualizar.
6:06
A máquina não olha para uma retinografia e pensa, Ah, o foco
6:10
está ruim, mas aquilo ali no canto parece um exodato.
6:14
Ela avalia os valores numéricos de milhões de Pixel
6:18
simultaneamente. Tudo.
6:21
Ao mesmo tempo, então, quando a qualidade ótica cai, o contraste
6:27
se perde e esses números viram um caos estatístico absoluto
6:32
para o sistema. A rede neural entra em colapso
6:36
simplesmente porque os marcadores numéricos que ela
6:39
usava para diagnosticar a retinopatia desapareceram no
6:43
meio desse ruído visual. E aqui entra a minha grande
6:46
dúvida, porque se a imagem tá ruim, ela está ruim?
6:50
Como a engenharia da computação resolve um problema que parece
6:54
ser puramente fotográfico? O artigo menciona que em exames
6:58
que são ainda mais sensíveis ao ruído, como a Ang OCT.
7:02
Eles tiveram que abandonar a tentativa de fazer AIALA
7:06
densidade vascular global, o que eles fizeram, na verdade, para
7:10
salvar o diagnóstico nesse caso. E de que está a sacada genial?
7:14
Eles mudaram a pergunta que faziam a máquina, em vez de
7:17
pedir para e a apenas quantificar áreas claras escuras
7:21
na anjo CTO, que é altamente sujeito a artefatos de movimento
7:24
ou baixa resolução. Os desenvolvedores impuseram uma
7:27
restrição estrutural. Eles forçaram a rede neural a
7:31
realizar uma diferenciação computacional explícita entre
7:35
artérias e veias. Pausa aí, como assim?
7:38
Como forçar a máquina a separar a artéria de veia ajuda se a
7:42
imagem base já está ruidosa? Porque artérias e veias têm
7:46
assinaturas geométricas diferentes, que resistem muito
7:50
mais à degradação da imagem. Ah, entendi.
7:53
Então, ao exigir essa classificação separada, o
7:56
algoritmo passa a calcular índices morfológicos muito
7:59
específicos, por exemplo, o calibre do vaso, a tortuosidade
8:04
e o índice de perímetro vascular de forma independente para cada
8:08
rede. O que?
8:08
Faz sentido biomecânico? Exatamente uma veia tortuosa por
8:13
hipóxia tem uma representação matemática diferente de uma
8:17
artéria, mesmo sob ruído pesado. Isso dá o modelo parâmetros
8:21
quantitativos incrivelmente robustos e o artigo comprova
8:26
isso, mostrando que essa análise diferencial não só salvou a
8:30
precisão na retinopatia diabética.
8:33
Mas alcançou absurdos 97% de acurácia em diferenciar a
8:38
retinopatia falciforme leve da grave, a geometria vascular
8:43
sobrevive ao ruído muito melhor do que a simples contagem de
8:46
pixels brilhantes. Caramba, isso faz muito sentido,
8:50
resolve aquele gargalo de encaminhar ou não encaminhar um
8:53
paciente na atenção básica? Resolve.
8:56
Mas resolver o problema da triagem cria um novo gargalo no
9:00
monitoramento contínuo. Porque a triagem ela é binária.
9:03
O monitoramento de uma doença crônica como a dmri, por
9:06
exemplo, exige uma quantificação de volume contínua ao longo de
9:10
meses, às vezes anos. Com certeza é um acompanhamento
9:13
de longo prazo. E aqui que o artigo traz um dado
9:16
do ensaio clínico Cate, que me deixou muito desconfortável como
9:20
médico. O texto diz que especialistas
9:22
humanos operando em centros de leitura de excelência mundial.
9:26
Discordaram na identificação de fluido retiniano no oct, em
9:29
quase 28% das vezes é um. Número que assusta à primeira
9:34
vista, assusta. Muito.
9:36
Como isso é possível? Como uma máquina encontra fluido
9:39
que um especialista altamente treinado deixa passar?
9:43
Isso não é um exagero da tecnologia superestimando alguns
9:46
artefatos da imagem, é. Natural ter essa desconfiança,
9:49
mas a gente precisa lembrar dos nossos limites biológicos.
9:53
Quando avaliamos a eficácia de um novo agente antivgf, o fluido
9:57
é o nosso biomarcador central, certo?
10:00
Certo? É o que guia gente tentando.
10:02
Reconstruir mentalmente o volume tridimensional de fluido
10:06
intrarretiniano sub retiniano ou o fluido sub EPR.
10:12
Fazer isso pra dezenas de cortes paciente após paciente gera
10:17
fadiga cognitiva rápida. O computador não se cansa.
10:22
Ele não infere o volume olhando cortes aleatórios, ele.
10:26
Pega o bloco todo. Exato, ele calcula a matriz
10:28
tridimensional completa voxel por voxel em questão de
10:33
milissegundos. Ele encontra bolsões
10:36
micrométricos de fluido sub retiniano que para o olho humano
10:40
parecem apenas uma pequena irregularidade na linha do
10:42
epitélio pigmentar e para. Fazer isso o texto da Itália, 2
10:46
grandes escolas de arquitetura de ar.
10:49
Tem o feature learning, que a gente pode traduzir como
10:51
extração de características e o famoso deep learning, o
10:55
aprendizado profundo. Na nossa época de residência, a
10:58
gente aprende a ver exames quase como uma lista de compras, né?
11:02
O chefe do setor diz, olha, procure focos hiper reflexivos,
11:06
verifique integridade da zona elipsoide.
11:08
Isso seria o equivalente ao feature learning na computação
11:12
essa. É a definição perfeita.
11:15
No feature learning, os engenheiros e os médicos sentam
11:18
juntos e pré determinam as características.
11:21
Eles escrevem códigos matemáticos rígidos que dizem a
11:25
máquina. Basicamente isso.
11:27
Busque pixels com esta intensidade x que formam um
11:30
descolamento fibrovascular com este formato y.
11:34
Entendi, a gente ensina a máquina a procurar apenas aquilo
11:38
que a gente já sabe que importa isso.
11:40
É um processo guiado, o que parece.
11:42
Bem seguro, para ser sincero. Mas o deep learning vai por um
11:46
caminho totalmente diferente. A sensação que eu tenho lendo o
11:49
artigo é que se o feature learning é dar a lista de
11:52
compras na mão da máquina para ela ir ao supermercado, o deep
11:55
learning é simplesmente jogar a máquina dentro do supermercado,
11:58
trancar a porta e falar, olha, descubra como os produtos estão
12:01
organizados por conta própria e me traga um bolo pronto.
12:04
É uma. Analogia muito perspicaz de
12:06
verdade, porque ela ilustra bem a perda de controle direto em
12:09
troca de um poder analítico muito maior.
12:12
Nas redes neurais convolucionais que são usadas no deep learning,
12:16
o algoritmo descobre representações internas da
12:18
imagem para as quais nós não temos nem vocabulário médico
12:21
para descrever. Ele não recebe a instrução
12:23
matemática de como se parece uma brusa.
12:26
Um ótimo exemplo que o texto traz é o sistema depsinete e o
12:30
que. Esse sistema faz de tão
12:31
diferente na prática, olha só. Ele foi alimentado com milhares
12:37
e milhares de imagens brutas de octs e retinodofias.
12:42
Rotuladas apenas com o score final de gravidade do estudo.
12:46
Arrid só isso. Ninguém disse a ele o que
12:50
procurar no meio do. Caminho ninguém.
12:55
Sozinho, através de múltiplas camadas de processamento, o
12:59
algoritmo aprendeu a encontrar os padrões que correlacionam a
13:03
imagem inicial daquele paciente ao score final dele e o
13:07
resultado prático disso. Ele superou estatisticamente a
13:11
performance de retinólogos especialistas na detecção de
13:14
drusas grandes e a normalidades pigmentares.
13:18
A máquina enxerga gradiente sutis de hiperaflexividade de
13:22
uma forma tão fluida, tão matemática, que a subjetividade
13:26
humana simplesmente fica para trás.
13:28
Mas assim. Se a máquina aprendeu a ler a
13:30
imagem de hoje com tanta precisão, como a gente dá o
13:34
Salto de diagnosticar O Presente para prever o futuro do
13:38
paciente? Porque o artigo entra fortemente
13:41
na questão das séries temporais e previsão probabilística para
13:45
tratamentos com injeção de antivégf em regimes como o
13:48
tritenxtand ou prn, prevê o futuro médico.
13:53
Vou te falar só um pouco como charlatanismo de alta tecnologia
13:57
para mim. Como isso funciona?
13:59
De forma quantitativa e real, o artigo fala de um algoritmo
14:03
chamado and boost acoplado a uma tal de distribuição binomial
14:07
negativa. Eu confesso que a maioria de nós
14:10
não vê matemática desse nível desde a época do cursinho pré
14:13
vestibular. É uma sopa de letrinhas, eu sei,
14:16
mas vamos traduzir isso para a realidade do ambulatório, porque
14:20
essa parte mais revolucionária para gestão da clínica diária.
14:24
A regressão estatística tradicional e inteligência
14:27
artificial costuma cuspir números contínuos, então se você
14:31
usasse o mia como um mais antiga para prever injeções?
14:35
Ela poderia analisar OACTE dizer assim, este paciente precisará
14:40
de 3,4 injeções no próximo ano. O que é?
14:44
Clinicamente inútil, né? Eu não tenho como administrar
14:47
0,4 de uma injeção de aflibrecept essa.
14:50
Tal de distribuição binomial negativa, essa matemática foi
14:55
projetada especificamente para contar números inteiros ao longo
14:59
do tempo, e mais do que isso, a biologia não aceita certezas
15:04
absolutas. Ela exige faixas de incerteza.
15:08
Então, o que esse modelo te entrega não é um número cego,
15:13
mas sim uma curva de. Perfeito é isso mesmo.
15:25
Ele cruza o volume do fluido sub retiniano, a espessura do
15:28
complexo epitélio drusos e o tipo de neovascularização.
15:33
Aí o Painel exibe para o médico, mais ou menos assim, a 85% de
15:37
chance de este paciente precisar de 2 a 3 injeções esse ano, mas
15:42
existe uma probabilidade de 5% de que ele sofra múltiplas
15:46
recidivas e precise de 8 injeções nossa.
15:50
Isso muda tudo com isso em. Mãos o retinólogo consegue
15:54
agendar retornos não mais no escuro, mas baseado em risco
15:57
calculado. Isso otimiza o fluxo de caixa da
16:00
clínica e, o mais importante, reduz o abandono do tratamento
16:05
pelo paciente. Sensacional.
16:07
Mas, para fazer isso, exige que a máquina olhe não só para o
16:11
exame de hoje, mas para o histórico do paciente inteiro.
16:14
O estudo detalha que, para alimentar essa matemática
16:17
probabilística, eles usam uma arquitetura combinada, uma rede
16:21
chamada dance net e uma rnn, ou rede neural recorrente.
16:26
Pelo que eu entendi lendo o material, a dance net funciona
16:30
como um inspetor muito minucioso que avalia as fatias espaciais
16:34
do oct de agora, extraindo toda a geometria da mácula.
16:38
Mas a rnn parece ser o componente que realmente entende
16:41
o conceito de tempo. Como uma rede neural lembra do
16:44
passado? A.
16:45
Genialidade da rnn está justamente na sua arquitetura de
16:50
loops internos, as e as tradicionais, elas sofrem de
16:54
amnésia, digamos assim. Elas processam a foto de hoje e
16:58
esquecem completamente a foto de ontem.
17:01
A RN, no entanto, ela gera um vetor matemático que chamamos de
17:06
estado oculto, estado. Oculto, sim.
17:09
Quando ela analisa a oct do mês passado, ela guarda um resumo
17:13
matemático daquele estado hoje, ao processar o exame atual com a
17:18
ajuda da dencinet. ARN funde as informações de hoje
17:23
com esse estado oculto que ela guardou do mês passado, então.
17:27
Ela está essencialmente medindo a velocidade da mudança daquela
17:31
retina exato. Ela integra múltiplos pontos no
17:34
tempo. A recorrência de fluido vascular
17:37
obedece a certos padrões cinéticos.
17:40
A rede avalia com que velocidade a retina desse indivíduo
17:44
específico encharca e seca após a aplicação do anti vgf.
17:50
É análise dessa cinética temporal que permite a previsão
17:54
precisa de quantas injeções serão necessárias nos meses
17:58
seguintes, e o. Texto vai ainda mais longe nessa
18:01
previsão, com as chamadas Guns, as redes adversárias
18:05
generativas. Essas redes já são famosas por
18:08
gerar aquelas imagens hiberrealistas na internet que
18:11
nunca existiram de verdade. O uso delas aqui parece bruxaria
18:15
médica pura. Elas estão pegando o oct de
18:18
hoje, aplicando o efeito simulado de um agente anti vgf e
18:22
desenhando sinteticamente. Um oct de coma anatomia daquele
18:26
paciente vai estar daqui a 30 dias.
18:28
Isso é o suprassumo do tratamento personalizado, é?
18:31
O equivalente computacional de você fazer um teste terapêutico,
18:35
mas sem tocar no paciente, você visualiza a resposta estrutural
18:40
antes mesmo de encostar agulha no olho dele, tudo isso?
18:43
Parece um Paraíso clínico absoluto, mas o artigo também
18:46
aponta para um muro de concreto gigante que a tecnologia está
18:49
enfrentando agora, modelos complexos como a dance net,
18:53
extraindo o espaço, a rnn, avaliando o tempo.
18:57
E as gans gerando futuro. Todos eles têm uma fome
19:00
monstruosa por dados. Eles precisam de milhões de
19:03
exames pareados para aprender de verdade.
19:06
E aí nós batemos de frente com as leis de privacidade a ripa
19:09
nos Estados Unidos, a lgpd aqui no Brasil, GDPR na Europa.
19:14
Como a pesquisa global avança se, além, impede terminantemente
19:18
que hospitais e clínicas empacotem os octs confidenciais
19:21
dos seus pacientes e mandem para um servidor central de uma
19:24
universidade ou de uma big tech. A solução que a revisão
19:27
apresenta é o federated learning, o aprendizado
19:30
federado. Como isso quebra esse gargalo
19:32
ético? O.
19:33
Aprendizado federado exige uma mudança de paradigma enorme na
19:37
forma como estruturamos as redes de pesquisa.
19:40
Historicamente, a inteligência artificial operava por
19:43
centralização total. Nós juntávamos todas as imagens
19:47
do mundo em um único supercomputador.
19:50
Ele treinava as conexões neurais e depois a gente distribuía o
19:54
modelo. Pronto.
19:56
Com o endurecimento das leis de privacidade, isso se tornou
19:59
totalmente inviável na saúde. O federated learning
20:03
descentraliza a inteligência ou? Seja.
20:06
O hospital não manda os dados para o modelo, o modelo vai até
20:10
o hospital? Exatamente.
20:12
O servidor central envia um modelo de rede neural em branco
20:15
ou parcialmente treinado para os nós da rede, que podem ser um
20:19
grande hospital universitário ou uma pequena clínica.
20:22
O modelo, então, é treinado localmente no servidor seguro
20:26
daquela clínica, consumindo os exames dos pacientes.
20:29
Dali mesmo a imagem, o dado bruto do paciente nunca sai do
20:33
porão do hospital. Eu estava.
20:35
Pensando em como ilustrar isso para nossa audiência?
20:38
E me veio a imagem de uma guilda de mestres de culinária
20:42
espalhados pelo mundo. Imagina dezenas de chefes de
20:45
diferentes países tentando colaborar para criar a receita
20:49
perfeita de um molho. Adoro.
20:51
Essa analogia, pois é. Eles nunca vão enviar os tomates
20:55
frescos, os ingredientes locais ou os clientes para uma cozinha
20:58
central. Isso é proibido.
21:01
Em vez disso, cada chefe prepara o molho na sua própria cozinha,
21:05
faz os testes de sabor e, no fim do dia, envia para um chefe
21:09
supremo apenas um bilhete com ajustes de receita tipo, aumente
21:13
o sal em 2%, diminua o tempo de cozimento em 5 minutos.
21:18
Na nossa IA, esses ajustes da receita são os pesos das
21:21
conexões. E os parâmetros matemáticos da
21:24
rede? O servidor central compila
21:26
apenas essa matemática pura, que é 100% anônima.
21:30
Junta tudo e devolve a receita refinada para todas as clínicas.
21:34
O sigilo do paciente permanece totalmente intocado.
21:37
A sua. Ilustração capta o coração do
21:40
processo é exatamente assim. O que trafega na internet não
21:44
são imagens de retina, mas sem gradientes matemáticos que não
21:48
podem ser submetidos à engenharia reversa para
21:51
identificar uma pessoa é brilhante.
21:54
Mas, lendo a parte mais pesada do artigo, fica claro que existe
21:59
um desafio técnico enorme nisso tudo, a tal questão dos dados no
22:04
IID, que são dados não independentes e identicamente
22:08
distribuídos, esse é. O grande problema hoje é.
22:11
Porque na vida real, o hospital universitário de São Paulo pode
22:15
estar gerando imagens em um aparelho espectrais da hidelberg
22:19
super calibrado. Maravilhoso.
22:21
Enquanto isso, uma clínica no interior pode estar rodando o
22:24
modelo local em um oct mais antigo de outra marca, com
22:27
protocolos de captura diferentes, imagens muito mais
22:30
escuras. O perfil demográfico e genético
22:33
das populações também muda drasticamente de um lugar para o
22:36
outro. Se o servidor central apenas
22:38
pegar a matemática gerada por esse seu CT velho e escuro e
22:42
fizer uma média simples com os dados de ponta, o modelo global
22:46
não vai simplesmente ficar confuso e entrar em colapso.
22:49
Sim, e se é indiscutivelmente o calcanhar de Aquiles do
22:53
aprendizado federado. Se você apenas somar e dividir
22:57
pesos matemáticos vindos de aparelhos e populações tão
23:00
heterogêneas, o desempenho da e a global despenca
23:04
assustadoramente. É por isso que os
23:05
desenvolvedores criaram políticas de agregação mais
23:08
avançadas e o artigo destaca muito bem 2 delas, o Fed Eve, de
23:13
forma mais crítica, o Fed prox. E como o Fed prox?
23:17
Evita que a clínica com o aparelho descalibrado estrague o
23:20
modelo de todo mundo voltando à sua.
23:21
Analogia dos chefes, o Fed prox é como se o chefe supremo
23:25
instaurasse uma regra de limite de alteração da receita.
23:29
Computacionalmente falando, ele introduz um termo de
23:31
regularização matemática contínua.
23:34
Ele permite que o modelo da clínica do interior aprenda com
23:38
as particularidades dos seus exames mais escuros.
23:40
Claro, isso é importante, mas ele aplica uma espécie de
23:43
penalidade matemática pesada. Se os parâmetros locais daquela
23:47
clínica começarem a se desviar agressivamente demais da média
23:51
global, é. Quase uma coleira algorítmica,
23:54
né? Tipo?
23:55
Aprenda com seu contexto local. Mas não ouse se afastar demais
23:59
do consenso científico global. Exatamente isso, uma coleira
24:03
flexível e o efeito prático dessa regularização é
24:07
maravilhoso de ver ao treinar a máquina dessa forma controlada,
24:12
absorvendo silenciosamente a variação de diferentes marcas de
24:16
oct, diferentes incidências de catarata e perfis genéticos
24:20
diversificados. Nós construímos um Maia
24:23
absurdamente resiliente. Não é mais aquele algoritmo
24:27
frágil que só funciona em pacientes calcasianos examinados
24:32
em condições perfeitas de laboratório de pesquisa.
24:35
É um modelo universal e isso se torna uma ferramenta brutal para
24:40
equidade em saúde, reduzindo de forma significativa as
24:44
disparidades socioeconômicas no acesso a laudos de nível
24:48
especialista. Caramba.
24:50
Isso mostra que a discussão vai muito além da tela do computador
24:53
do ambulatório. Ela afeta a arquitetura global
24:57
da saúde pública e a condução de estudos multicêntricos.
25:01
Chegando ao fim da nossa jornada de hoje.
25:03
Por esse artigo, acho que podemos consolidar uma visão bem
25:06
clara para quem nos escuta. A inteligência artificial
25:09
aplicada à retina não precisa ser temida como uma caixa preta
25:13
substituta, desde que o médico oftalmologista entenda a
25:17
mecânica por trás da mágica com. Certeza, porque?
25:20
Compreendendo que as redes convolucionais.
25:23
Vencem a fadiga humana. Analisando voxels em 3D que
25:27
algoritmos recorrentes utilizam o histórico temporal para
25:30
probabilizar de forma clínica o regime de injeções e que o
25:34
aprendizado federado resolve as restrições éticas de
25:37
compartilhamento ao invés de enviar os dados em si, fica
25:41
muito evidente que nós não estamos criando concorrentes
25:44
para os médicos. Nós estamos forjando um
25:47
copiloto, diagnóstico inestimável, um.
25:50
Copiloto incansável que assume todo aquele trabalho mecânico de
25:56
quantificar matrizes de pixels intermináveis, libertando o
26:00
retinólogo para exercer o verdadeiro núcleo da medicina,
26:04
que é integral dado objetivo. Com a subjetividade e a
26:08
qualidade de vida do paciente, conduzindo tratamento de uma
26:12
forma ética, personalizada e humanizada, fechou.
26:15
Perfeitamente o raciocínio. E para encerrar a nossa imersão
26:19
detalhada no material de hoje, eu quero deixar uma provocação
26:22
plantada na mente dos colegas que estão agora no ambulatório
26:26
ou no centro cirúrgico. Durante todo o programa nós
26:29
falamos sobre predição e análise visual.
26:32
Mas o artigo joga uma luz intrigante sobre o futuro, muito
26:35
próximo da intervenção física. Nós já vimos como esses modelos
26:39
matemáticos conseguem realizar fusão multimodal de dados pré
26:44
operatórios de uma forma espantosa, por exemplo, prevendo
26:47
o fechamento cirúrgico de um buraco macular com mais de 90%
26:50
de acerto, baseando se apenas no diâmetro da fenda e no índice
26:54
anatômico de tração. A geometria da retina já está
26:58
dominada pela e a já. Está mapeada, sem dúvida.
27:01
E o texto? Menciona os primeiros passos da
27:04
robótica de precisão, como aquele sistema persaice que já
27:08
está sendo testado em ensaios humanos para guiar a injeção do
27:11
ativador do plasminogênio tecidual, o tpa milimetricamente
27:16
no espaço sub retiniano de pacientes que sofrem com
27:19
hemorragias graves e secundárias ADMRI.
27:22
É uma. Precisão absurda então, o.
27:25
Pensamento que eu deixo para nossa audiência é este, se a
27:28
inteligência artificial já consegue mapear superfície
27:31
estromal e as camadas internas da retina em 3 dimensões com uma
27:34
precisão matemática que o nosso cérebro jamais alcançará, e se
27:38
ela já é capaz de calcular a probabilidade e a rota espacial
27:42
exata do sucesso terapêutico. A que distância nós estamos no
27:46
momento inevitável em que AIA deixará de ser apenas um alerta
27:49
na tela do pré operatório? Boa.
27:51
Pergunta, quando é que? Ela passará a assumir os
27:53
comandos guiando a canula robótica sub retiniana de
27:57
maneira totalmente autônoma, superando em definitivo os
28:01
limites fisiológicos, a fadiga e o tremor natural das mãos
28:04
humanas. O diagnóstico?
28:06
Nós já sabemos que ela pode refinar enormemente.
28:09
A grande questão da próxima década é.
28:11
Qual será o papel do cirurgião humano quando a máquina também
28:14
provar que opera melhor? Fica o convite para que os
28:17
colegas continuem acompanhando o compasso acelerado e fascinante
28:21
dessa revolução tecnológica junto com a gente.
28:23
Até a próxima análise profunda. Se você gostou do conteúdo,
28:26
compartilhe com o amigo. Até a próxima.