A Inteligência Artificial vem expandindo as possibilidades na área da saúde, promovendo a inovação e implicando a possibilidade de atuação das empresas e instituições do setor.
Neste post, vamos entender os desafios de se trabalhar com dados sensíveis no treinamento de modelos de inteligência artificial na saúde, o papel do Federated Learning e como a Fundação CERTI atua nesta área. Boa leitura!
Dados sensíveis e o desafio da IA na saúde
Quando tratamos da área da saúde, uma das principais preocupações são dados considerados sensíveis. Isso envolve, por exemplo, informações do prontuário do paciente, que são sigilosas e protegidas pela LGPD. O mesmo vale para as informações internas das instituições.
Para evitar que esses dados sejam expostos, é preciso limitar sua circulação fora de ambientes seguros da própria organização. Isso é necessário não só por conta da privacidade, como já citamos, como também pela própria competitividade das empresas envolvidas.
Toda essa preocupação com a integridade e segurança de informações é vital durante o treinamento dos modelos de inteligência artificial na saúde, garantindo o compliance e evitando a ocorrência de qualquer prática que fira a ética, como o uso de dados sem o consentimento dos pacientes.
Federated learning no treinamento de modelos de inteligência artificial
O treinamento de modelos de inteligência artificial na saúde é o pilar fundamental da aplicação do Federated Learning no setor. Essa metodologia permite que hospitais, clínicas, centros de pesquisa e outras instituições se unam em uma federação para colaborar e aperfeiçoar sistemas que auxiliem nas suas atividades.
Um exemplo é a plataforma desenvolvida pela Fundação CERTI para auxiliar nas análises por imagens. Por meio dela, diferentes organizações podem unir esforços para, a partir do treinamento de modelos locais de detecção de problemas, ajudar a construir um modelo global centralizado que seja muito mais completo e eficaz.
Cada unidade deve alimentar seu próprio sistema. Enquanto os dados são mantidos em sigilo e não são compartilhados, os resultados são enviados a um servidor central. Por meio da tecnologia de deep learning, este servidor agrega todos os resultados de cada membro da federação e cria um novo modelo global, aperfeiçoado, que poderá ser utilizado e treinado novamente por cada instituição.
Benefícios para as instituições de saúde
O Federated Learning é uma forma inovadora de gerar melhores resultados na área da saúde. É importante ressaltar que, nesta metodologia, dados exclusivos e sensíveis não são compartilhados; uma instituição não tem acesso às informações de outra, e esses dados não circulam fora do ambiente seguro de cada hospital, clínica ou centro de pesquisa.
O que é enviado ao servidor central são os resultados dos treinamentos dos modelos locais. Ou seja, trabalha-se com muito poucas informações sensíveis. E isso torna o Federated Learning um recurso colaborativo inestimável, resguardando a instituição de quaisquer problemas éticos, de compliance e até mesmo relacionados à competitividade.
Mais do que segurança, o Federated Learning também fornece uma maior confiabilidade aos modelos de inteligência artificial na saúde. Isso porque o modelo é treinado com muito mais dados do que os disponíveis em somente uma instituição, com cada instituição colaborando com seus dados únicos e o modelo sendo construído com mais variedade de dados.
Com isso, os membros da federação têm acesso a um volume e uma variedade muito maior de dados, exponencialmente maior do que conseguiriam agindo isoladamente.
O resultado é um estímulo muito grande à inovação e a possibilidade das instituições tornarem-se mais competitivas, sobretudo quando comparadas a outras que não usufruem de um sistema semelhante.
Problemas que a inteligência artificial na saúde resolve
O auxílio às análises por imagem talvez seja o melhor exemplo que temos atualmente do potencial do treinamento de modelos de inteligência artificial na saúde.
Por meio da tecnologia de visão computacional, os modelos conseguem fazer diversos tipos de indicações, em diferentes níveis de complexidade. Tomando por exemplo a identificação de tumor em exames de imagem, a inteligência artifical realiza:
- Classificação: é a capacidade de reconhecer na imagem a presença ou não de um nódulo;
- Detecção: indica o local aproximado do problema, delimitando uma área específica por meio de um retângulo;
- Regressão: habilidade de definir do que se trata aquilo que foi identificado na imagem e/ou e realizar predições. Em um raio X de uma mão, por exemplo, a ferramenta é capaz de indicar a idade aproximada do paciente;
- Segmentação: é a etapa mais avançada do uso da inteligência artificial na saúde para análise de imagens. Aqui, a IA vai além de indicar uma área aproximada; ela contorna os pixels que delimitam exatamente o problema.
Importante lembrar que isso só é possível por meio do treinamento do modelo. Afinal, trata-se de um sistema supervisionado. Isso significa que todas essas habilidades da IA virão a partir de anotações feitas por profissionais.
Quanto mais informações (imagens, neste caso), o sistema tiver, mais preciso ele se torna. E por isso o Federated Learning é tão relevante para o setor, aumentado significamente o conjunto de dados aos quais as instituições têm acesso.
Treinamentos de modelos de IA realizados pela CERTI
A Fundação CERTI já atuou no treinamento de modelos de inteligência artificial na saúde com diferentes propósitos. Focados na análise de imagens, esse modelos são capazes de:
- realizar a detecção de fratura óssea;
- estimar a idade óssea do paciente por meio da técnica de regressão;
- identificar possíveis tumores;
- reconhecer casos de Covid-19 em pacientes por meio do tipo de lesões pulmonares.
A CERTI desenvolve junto aos seus parceiros soluções que buscam aperfeiçoar o uso da inteligência artificial na saúde e possibilitar o Federated Learning. Entre em contato conosco, fale com nossos especialistas e saiba mais!
