Construção de algoritmos de Machine Learning na Radiologia

Abstract

Recent research in artificial intelligence has shown great potential to change radiology as we know it today. The tools to aid the radiological diagnosis can bring numerous benefits to the patients, radiologists and referring physicians. Despite the high expectations for this technology, the path to the creation of clinically useful and safe tools is a huge challenge that involves several aspects. In this work, we will address ethical, regulatory, technical and cultural considerations that need to be addressed to expand the scope of artificial intelligence algorithms in practice. Next, we present 7 projects developed by our group that address some of the challenges in the area: (1) the lack of reproducibility when reading exams, (2) the creation of optimized algorithms for each clinical problem, (3) the limitation to access large volumes of quality annotated data, (4) the lack of reproducibility of artificial intelligence researches, (5) the difficulty of integrating algorithms in medical practice, (6) errors in the registration of exams types and (7) the risk of exposure of sensitive patient information.

As pesquisas recentes em inteligência artificial têm demonstrado um grande potencial de mudar a radiologia como conhecemos hoje. As ferramentas de auxílio ao diagnóstico radiológico podem trazer inúmeros benefícios para os pacientes, radiologistas e médicos solicitantes. Apesar da alta expectativa sobre essa tecnologia, o caminho para a criação de ferramentas clinicamente úteis e seguras é um enorme desafio que envolve diversos aspectos. Nesse trabalho, abordaremos considerações éticas, regulatórias, técnicas e culturais que precisam ser resolvidas para ampliar o alcance dos algoritmos de inteligência artificial na prática. Em seguida, apresentamos 7 trabalhos desenvolvidos pelo nosso grupo, que abordam alguns dos desafios existentes na área: (1) a falta de reprodutibilidade na leitura de exames, (2) a criação de algoritmos otimizados para cada problema clínico, (3) a limitação ao acesso a grandes volumes de dados anotados com qualidade, (4) a falta de reprodutibilidade de pesquisas de inteligência artificial, (5) a dificuldade de integrar algoritmos na prática médica, (6) os erros nos cadastros de tipos de exames e (7) o risco de exposição de informações sensíveis de pacientes.