A Inteligência Artificial (IA), por meio da técnica de aprendizado de máquina, utiliza enormes quantidades de dados para encontrar padrões de doenças e, assim, fornecer diagnósticos mais precisos, sem a intervenção humana.

Porém, para atingir uma precisão de nível clínico, é necessário analisar um grande volume de informações, de diversas instituições, o que pode esbarrar em questões como a privacidade de dados. Atualmente, esse é um dos grandes entraves do uso de IA na medicina. Ainda mais agora, com a Lei Geral de Proteção de Dados (LGPD).

Mas, uma nova ferramenta denominada Aprendizado Federado (Federated learning) pode solucionar este problema ao permitir o treinamento com dados reais, mas sem expor o dono das informações.

Em seguida, entenda o que é e como o aprendizado federado pode impulsionar o uso de inteligência artificial na medicina.

Aprendizado federado

Neste modelo, o treinamento do algoritmo ocorre em múltiplos dispositivos ou sistemas descentralizados utilizando dados locais, sem compartilhá-los. Depois de treinado, o algoritmo aperfeiçoado pode ser enviado para um servidor central, onde é dividido ou aprimorado por usuários de outros centros.

Sem dúvida, o aprendizado federado é uma das principais abordagens para garantir a privacidade dos dados. Isso porque permite a execução de algoritmos de forma colaborativa, sem que os dados privados sejam transferidos para um servidor em nuvem.

Além disso, as informações de uma única instituição médica podem ser influenciadas pelas características dos pacientes, pelos aparelhos usados ou pelas especializações clínicas, por exemplo. E, para fornecer diagnósticos assertivos, o conjunto de dados precisa ser diversificado, com informações de diferentes gêneros, idades, características e exposições ambientais. Para isso, é fundamental ter um grande banco de dados.

Aprendizado federado na detecção de tumores cerebrais

A Escola de Medicina Perelman da Universidade da Pensilvânia (Penn Medicine), nos Estados Unidos, em parceria com a Intel, está liderando 29 instituições internacionais de saúde e pesquisa no treinamento de modelos de IA na identificação de tumores cerebrais por meio de aprendizado federado.

30

O estudo começou com um modelo que foi treinado antes com mais de 2,6 mil imagens da BraTS, de 660 pacientes, obtidas por ressonância magnética. Dez hospitais também colaboraram ao treinar um modelo de IA com dados de seus próprios pacientes. Em seguida, o aprendizado federado reuniu estes dez algoritmos em um consenso.

Os pesquisadores compararam o aprendizado federado com algoritmos treinados por apenas uma instituição e com outras abordagens de aprendizado colaborativo. A efetividade de cada método foi comparada com exames analisados manualmente por neurologistas.

Quando comparado a um modelo treinado com dados centralizados que não protegem a privacidade de um paciente, o aprendizado federado teve resultado 99% idêntico. Os resultados também apontam que o acesso a mais dados, de diversas instituições que respeitam a privacidade dos pacientes, pode gerar benefícios para o desempenho do modelo.

Conclusão

A preservação de privacidade garantida pela técnica de aprendizado federado pode impulsionar o uso da Inteligência Artificial na medicina. Neste sentido, já existem diversas pesquisas e empresas que oferecem a solução para instituições de saúde, como a Acuratio.

Revisado por Paulo Schor, médico oftalmologista, professor livre docente e diretor de inovação da Universidade Federal de São Paulo (Unifesp) e colaborador da Faculdade de Medicina do Hospital Albert Einstein.

Em seguida, acompanhe o blog da Phelcom e fique por dentro das principais novidades sobre inteligência artificial na medicina.