A Intelig\u00eancia Artificial vem expandindo as possibilidades na \u00e1rea da sa\u00fade, promovendo a inova\u00e7\u00e3o e implicando a possibilidade de atua\u00e7\u00e3o das empresas e institui\u00e7\u00f5es do setor.<\/p>\n\n\n\n
Neste post, vamos entender os desafios de se trabalhar com dados sens\u00edveis no treinamento de modelos de intelig\u00eancia artificial na sa\u00fade, o papel do Federated Learning e como a Funda\u00e7\u00e3o CERTI atua nesta \u00e1rea. Boa leitura!<\/p>\n\n\n\n
Quando tratamos da \u00e1rea da sa\u00fade, uma das principais preocupa\u00e7\u00f5es s\u00e3o dados considerados sens\u00edveis. Isso envolve, por exemplo, informa\u00e7\u00f5es do prontu\u00e1rio do paciente, que s\u00e3o sigilosas e protegidas pela LGPD. O mesmo vale para as informa\u00e7\u00f5es internas das institui\u00e7\u00f5es.<\/p>\n\n\n\n
Para evitar que esses dados sejam expostos, \u00e9 preciso limitar sua circula\u00e7\u00e3o fora de ambientes seguros da pr\u00f3pria organiza\u00e7\u00e3o. Isso \u00e9 necess\u00e1rio n\u00e3o s\u00f3 por conta da privacidade, como j\u00e1 citamos, como tamb\u00e9m pela pr\u00f3pria competitividade das empresas envolvidas.<\/p>\n\n\n\n
Toda essa preocupa\u00e7\u00e3o com a integridade e seguran\u00e7a de informa\u00e7\u00f5es \u00e9 vital durante o treinamento dos modelos de intelig\u00eancia artificial na sa\u00fade, garantindo o compliance e evitando a ocorr\u00eancia de qualquer pr\u00e1tica que fira a \u00e9tica, como o uso de dados sem o consentimento dos pacientes.<\/p>\n\n\n\n
O treinamento de modelos de intelig\u00eancia artificial na sa\u00fade \u00e9 o pilar fundamental da aplica\u00e7\u00e3o do Federated Learning no setor. Essa metodologia permite que hospitais, cl\u00ednicas, centros de pesquisa e outras institui\u00e7\u00f5es se unam em uma federa\u00e7\u00e3o para colaborar e aperfei\u00e7oar sistemas que auxiliem nas suas atividades.<\/p>\n\n\n\n
Um exemplo \u00e9 a plataforma desenvolvida pela Funda\u00e7\u00e3o CERTI para auxiliar nas an\u00e1lises por imagens. Por meio dela, diferentes organiza\u00e7\u00f5es podem unir esfor\u00e7os para, a partir do treinamento de modelos locais de detec\u00e7\u00e3o de problemas, ajudar a construir um modelo global centralizado que seja muito mais completo e eficaz.<\/p>\n\n\n\n
Cada unidade deve alimentar seu pr\u00f3prio sistema. Enquanto os dados s\u00e3o mantidos em sigilo e n\u00e3o s\u00e3o compartilhados, os resultados s\u00e3o enviados a um servidor central. Por meio da tecnologia de deep learning, este servidor agrega todos os resultados de cada membro da federa\u00e7\u00e3o e cria um novo modelo global, aperfei\u00e7oado, que poder\u00e1 ser utilizado e treinado novamente por cada institui\u00e7\u00e3o.<\/p>\n\n\n\n
O Federated Learning \u00e9 uma forma inovadora de gerar melhores resultados na \u00e1rea da sa\u00fade. \u00c9 importante ressaltar que, nesta metodologia, dados exclusivos e sens\u00edveis n\u00e3o s\u00e3o compartilhados; uma institui\u00e7\u00e3o n\u00e3o tem acesso \u00e0s informa\u00e7\u00f5es de outra, e esses dados n\u00e3o circulam fora do ambiente seguro de cada hospital, cl\u00ednica ou centro de pesquisa. <\/p>\n\n\n\n
O que \u00e9 enviado ao servidor central s\u00e3o os resultados dos treinamentos dos modelos locais. Ou seja, trabalha-se com muito poucas informa\u00e7\u00f5es sens\u00edveis. E isso torna o Federated Learning um recurso colaborativo inestim\u00e1vel, resguardando a institui\u00e7\u00e3o de quaisquer problemas \u00e9ticos, de compliance e at\u00e9 mesmo relacionados \u00e0 competitividade.<\/p>\n\n\n\n
Mais do que seguran\u00e7a, o Federated Learning tamb\u00e9m fornece uma maior confiabilidade aos modelos de intelig\u00eancia artificial na sa\u00fade. Isso porque o modelo \u00e9 treinado com muito mais dados do que os dispon\u00edveis em somente uma institui\u00e7\u00e3o, com cada institui\u00e7\u00e3o colaborando com seus dados \u00fanicos e o modelo sendo constru\u00eddo com mais variedade de dados.<\/p>\n\n\n\n
Com isso, os membros da federa\u00e7\u00e3o t\u00eam acesso a um volume e uma variedade muito maior de dados, exponencialmente maior do que conseguiriam agindo isoladamente.<\/p>\n\n\n\n
O resultado \u00e9 um est\u00edmulo muito grande \u00e0 inova\u00e7\u00e3o e a possibilidade das institui\u00e7\u00f5es tornarem-se mais competitivas, sobretudo quando comparadas a outras que n\u00e3o usufruem de um sistema semelhante.<\/p>\n\n\n\n
O aux\u00edlio \u00e0s an\u00e1lises por imagem talvez seja o melhor exemplo que temos atualmente do potencial do treinamento de modelos de intelig\u00eancia artificial na sa\u00fade.<\/p>\n\n\n\n
Por meio da tecnologia de vis\u00e3o computacional, os modelos conseguem fazer diversos tipos de indica\u00e7\u00f5es, em diferentes n\u00edveis de complexidade. Tomando por exemplo a identifica\u00e7\u00e3o de tumor em exames de imagem, a intelig\u00eancia artifical realiza:<\/p>\n\n\n\n
Importante lembrar que isso s\u00f3 \u00e9 poss\u00edvel por meio do treinamento do modelo. Afinal, trata-se de um sistema supervisionado. Isso significa que todas essas habilidades da IA vir\u00e3o a partir de anota\u00e7\u00f5es feitas por profissionais. <\/p>\n\n\n\n
Quanto mais informa\u00e7\u00f5es (imagens, neste caso), o sistema tiver, mais preciso ele se torna. E por isso o Federated Learning \u00e9 t\u00e3o relevante para o setor, aumentado significamente o conjunto de dados aos quais as institui\u00e7\u00f5es t\u00eam acesso.<\/p>\n\n\n\n
A Funda\u00e7\u00e3o CERTI j\u00e1 atuou no treinamento de modelos de intelig\u00eancia artificial na sa\u00fade com diferentes prop\u00f3sitos. Focados na an\u00e1lise de imagens, esse modelos s\u00e3o capazes de:<\/p>\n\n\n\n