Utilização de Inteligência Artificial em Sistemas

de Apoio à Decisão no Diagnóstico Médico

Renato Alexandre Cintra1, Henrique Tomaz do Amaral Silva2
1. Bacharel em Ciência da Computação. Faculdades Metropolitanas Unidas, São Paulo (SP),
Brasil.
2. Professor Doutor. Universidade Aberta do Brasil, Universidade Federal de São Paulo -
UNIFESP, São Paulo (SP), Brasil.

Resumo

Na última década o volume de dados na área da saúde aumentou de forma

exponencial, sendo a intepretação dos mesmos muitas vezes não trivial, logo, as
Redes Neurais Artificiais se apresentam como uma ferramenta potencialmente
vantajosa para auxiliar no diagnóstico médico. Este estudo tem como objetivo
verificar como Redes Neurais Artificiais podem ser utilizadas como uma ferramenta
complementar visando a melhoria no diagnóstico médico. Foi realizada uma busca
sistemática por artigos publicados em bases de dados públicas e confiáveis com
foco em Redes Neurais Artificias no apoio ao diagnóstico médico. Foram
selecionados 6 artigos relacionados as diversas vantagens das Redes Neurais
Artificiais no apoio ao diagnóstico médico para posterior análise. O uso de técnicas
baseadas em Inteligência Artificial, como é o caso das Redes Neurais Artificiais, se
apresenta como uma ferramenta de apoio à decisão com importantes contribuições
nos campos da bioinformática, farmacologia, oncologia, patologia diagnóstica e
medicina genômica.

Descritores: Artificial Neural Networks, Deep Artificial Neural Networks, Machine

Learning, Decision Making e Diagnosis .
Introdução

A Inteligência Artificial (IA), subcampo da Ciência da Computação, têm

contribuído para o desenvolvimento de sistemas assistidos por computador para
apoiar o diagnóstico clínico e terepêutico(2). A variedade de Sistemas de Informação
em todo mundo tem produzido um volume gigantesco de dados, conhecido pelo
termo Big Data, onde 90% desse aumento ocorreu apenas nos últimos 2 anos(1). A
explosão de dados está transformando a maneira como a as pesquisas são
conduzidas, logo, possuir habilidades no uso do Big Data tornou-se competência
necessárias para resolver problemas complexos relacionados com a descoberta
científica, a investigação biomédica, educação, saúde, segurança nacional, entre
outros(1).
O desenvolvimento de técnica baseada em IA é um requisito importante para
resolver esses problemas complexos, tal como no diagnóstico médico(4). A
experiência dos médicos no processo de diagnóstico é essencial, porém, para se
evitar perder tempo no diagnóstico, reduzir custos financeiros, reduzir repetição de
exames de forma desnecessária, diminuir erros no diagnóstico, assim como, as suas
consequências, as técnicas baseadas em IA se apresentam de forma eficaz para
resolver problemas do mundo real(4).
A Aprendizagem de Máquina (AM), também conhecido pelo termo em inglês
Machine Learning (ML), é um subcampo da IA e muitas metodologias de
aprendizagem de máquina, como redes neurais, análise discriminante, árvores de
regressão, algoritmos genéticos, e recentemente, aprendizagem em profundidade,
conhecido pelo termo em inglês Deep Learning (DL), têm sido utilizados com
sucesso na medicina(1,2).
As metodologias de AM observadas neste estudo têm foco nas Redes
Neurais Artificias (RNAs) no apoio ao diagnóstico médico. As RNAs são modelos de
aprendizagem de máquina que simula a técnica de processamento de neurônios
biológicos para executar a função de reconhecimento e aproximação de padrão a
partir de um conjunto de exemplares, de uma forma que pode generalizar seu
mapeamento para novos dados(5), ou seja, dotar os computadores com a
capacidade de aprender a partir dos dados obtidos, de modo que programação
explícita não é necessária para a realização da tarefa(1). Permitindo que os
computadores extraiam informações e detecte padrões a partir dos dados originais,
em seguida possam aprender a partir de exemplos anteriores e fazer boas previsões
sobre os novos dados obtidos(1).
As RNAs têm sido aplicadas com sucesso para uma variedade de tarefas em
muitos campos, como por exemplo, na bioinformática para prever a estrutura da
proteína; na farmacologia para descobrir e priorizar compostos bioativos, que podem
ser candidatos a novas drogas; na citopatologia, um ramo da patologia, para o
suporte a decisão no diagnóstico citopatológico; e na medicina genômica auxiliando
no mapeamento da sequência de DNA das células.
Este estudo tem como objetivo verificar como as Redes Neurais Artificiais
podem ser utilizadas como uma ferramenta complementar visando a melhoria no
diagnóstico médico.

Método

Por se tratar de uma pesquisa bibliográfica integrativa do tipo revisão da

literatura com objetivo de responder uma determinada pergunta, a seleção dos
artigos foi realizada a partir uma busca sobre o tema em materiais relevantes na
BVS e Pubmed, ferramentas de busca da Biblioteca Virtual de Saúde e da Biblioteca
Nacional de Medicina dos Estados Unidos, respectivamente, que contemplam as
seguintes bases de dados: Scielo, Lilacs e Medline. Utilizando os seguintes
descritores, e as suas combinações, como estratégia de busca: Artificial Neural
Networks, Deep Artificial Neural Networks, Machine Learning, Decision Making e
Diagnosis, resultando na seguinte expressão: (Artificial AND ("neural networks
(computer)" OR ("neural" AND "networks" AND "(computer)" OR "neural networks
(computer)" OR ("neural" AND "networks") OR "neural networks))) AND (Decision
OR ("decision making")).
Os critérios de inclusão adotados foram: artigos relacionados ao tema
estudado; publicados em língua portuguesa brasileira e/ou inglesa; íntegros; em
bases de dados públicas e confiáveis; de acesso livre; e textos completos
disponíveis online. No que se refere aos critérios adotados para exclusão foram:
artigos publicados em língua estrangeira, exceto a inglesa; editoriais e resumos;
publicados anteriormente a 2003; em bases de dados privados; artigos que não se
referem ao tema proposto e não se refiram a humanos; e artigos duplicados.
Resultados e Discussões
A partir das estratégias de busca nas diferentes bases de dados foram
encontradas 723 publicações, desse total foram excluídos 641 estudos que não
possuem acesso livre os seus textos completos, restando 82 para a seleção. Após a
leitura dos títulos, foram selecionados 21 estudos, procedeu-se com a leitura dos
resumos, onde foram selecionados 6 textos para leitura na íntegra, conforme
apresentado no Quadro 1.
Quadro 1. Artigos localizados nas bases de dados BVS e Pubmed.
Título do Artigo/Referência Objetivo
Deep Artificial Neural Networks and Apresentar uma visão geral das
Neuromorphic Chips for Big Data principais arquiteturas das redes
Analysis: Pharmaceutical and neurais profundas, e sua
Bioinformatics Applications(1) utilidade em Farmacologia e
Bioinformática.
Artificial Neural Networks as Analisar o papel das Redes
Decision Support Tools in Neurais Artificiais (RNAs) em
Cytopathology: Past, Present, and citopatologia. Mais
Future(2) especificamente, visa destacar a
importância da utilização de
dessas Redes em aplicações
existentes e futuras e na
identificação de tópicos de
pesquisa inexploradas ou pouco
exploradas.
Machine Learning in Genomic Uma introdução às tarefas de
Medicine: A Review of aprendizagem de máquina que
Computational Problems and Data abordam problemas importantes
Sets(3) na medicina genômica e como o
aprendizagem de máquina pode
ajudar a modelar a relação
entre o DNA e as quantidades
de moléculas-chave na célula, com
a premissa de que estas
quantidades, o que nos referimos
como variáveis de células, pode
estar associada a riscos de
doenças.
Developing an Intelligent System for A falta de diagnóstico adequado e
Diagnosis of Asthma Based on tratamento inadequado da asma,
Artificial Neural Network(4) leva a complicações físicas e
financeiras. Este estudo teve
como objetivo utilizar técnicas
de mineração de dados e a criação
de um sistema inteligente de rede
neural para o diagnóstico de
asma.
Resultados
A Farmacologia e a Bioinformática
são campos interessantes para
aplicação da aprendizagem
profunda, porque há um
crescimento exponencial dos
dados. Há um enorme potencial na
aplicação das redes neurais
profundas no processo de
descoberta de drogas, design e
validação que poderiam melhorar o
desempenho e reduzir
significativamente os custos.
A grande maioria das aplicações
das Redes Neurais Artificiais estão
relacionados com citopatologia
cervical, especificamente para o
sistema de diagnóstico comercial
semi-automático baseado em
RNAs. Para citopatologia cervical,
existe uma infinidade de estudos
relevantes para a precisão do
diagnóstico.
O papel da aprendizagem de
máquina na medicina genômica e
na medicina de precisão tende a
crescer rapidamente nos próximos
anos. Particularmente em função
da evolução enternecedora que
tem sido feito na comunidade de
aprendizagem profunda, com a
descoberta de técnicas que podem
ser mais eficazes para aprender
com maiores e mais complexos
conjuntos de dados do que nunca
antes trabalhados.
A rede neural foi capaz de
identificar corretamente em 96,5%
a 100% dos casos. Alcançar a taxa
de precisão mencionada, depende
de diferentes fatores, incluindo a
natureza da doença, seus fatores
de risco e as características
clínicas, mas uma das descobertas
mais importantes para alcançar a
 essa taxa de precisão é medir a
otimização dos efeitos encontrados
nos resultados obtidos.

Biologically inspired intelligent Introdução à teoria de redes As redes neurais são uma
decision making: a commentary on neurais artificiais e rever algumas ferramenta potencialmente
the use of artificial neural networks in aplicações recentes interessantes poderosa para bioinformática, com
bioinformatics(5) para os problemas da aplicações de sucesso relatados
bioinformática. em muitas áreas e níveis de
domínio. As aplicações
apresentadas mostram que as
RNAs são capaz de identificar
padrões complexos e gerenciar
grandes conjuntos de dados.

Artificial Neural Networks for Apresentar estudos que Estudos têm demonstrado que as
Decision-Making in Urologic demonstram que as Redes Neurais RNAs melhora significativamente a
Oncology(6) Artificiais melhora capacidade de detectar câncer de
significativamente a capacidade de próstata precoce, evitando um
detectar câncer de próstata de maior número de amostras de
forma precoce. tecido desnecessárias. A utilização
de RNAs no câncer de próstata é
ideal por causa de: 1) múltiplos
fatores prevendo que resultado
influência; 2) o desejo de oferecer
consultoria individual com base em
vários testes; 3) o fato de que os
resultados da análise de regressão
logística anteriores tiveram sérias
limitações na aplicação; e 4) a
necessidade de uma ferramenta
atualizada que podem ser aplicada
facilmente a todos.

Observou-se que dos artigos selecionados foram publicados entre os anos de

2003 e 2016, sendo 33% (2) publicados em 2016, 33% (2) em 2015, 17% (1) em
2013 e 17% (1) em 2003. No qual as origens dos estudos foram diversificadas,
ocorreram na Áustria (1), Canadá (1), Espanha (1), Grécia (1), Iran (1) e Irlanda (1).
Embora a pesquisa também tenha sido feita por artigos publicados em língua
portuguesa brasileira, nenhum artigo em tal idioma foi selecionado de acordo com os
critérios de inclusão e exclusão estabelecidos.
Identificou-se nas publicações selecionadas contribuições importantes no uso
das Redes Neurais Artificiais (RNAs) como ferramenta auxiliar no diagnóstico
médico, como por exemplo: a) a Citopatologia, área da Patologia, tem explorado as
RNAs para o diagnóstico, controle de qualidade e estudos de custo-efetividade, as
aplicações estão relacionadas a citopatologia da mama, tiroide e trato urinário(2); b)
desenvolvimento de um sistema inteligente capaz detectar a presença de asma em
pacientes com base nos achados clínico(4), ou seja, medicina baseada em evidencia
com o auxílio das RNAs; c) com crescente volume de dados e o desafio em
identificar padrões nos resultados para um grupo maior de pessoas com
características semelhantes a Oncologia Clínica, através de um fenômeno recém-
emergente, vem aplicando as RNAs para melhorar o apoio à decisão oncológica(6);
d) na medicina genômica as técnicas baseadas em RNAs se apresenta como uma
ferramenta com grande potencial de exploração para conseguir modelar os
resultados dos complexos processos e interações relacionados ao genótipo e
fenótipo(3); e) na farmacologia e bioinformática, também em função do crescimento
exponencial dos dados, considera-se a aplicação das RNAs com enorme potencial
no processo de descoberta de fármacos e no gerenciamento de grandes volumes de
dados(1,5).
Foi mostrado que as RNAs têm a capacidade de aprendizagem e podem
ajudar na tomada de decisão, sendo assim, os modelos de RNAs podem ser
superiores aos métodos estatísticos padrão, permitindo flexível interrogatório de
dados e previsão confiável do estado da doença, tornando-se um trunfo importante
para melhorar os sistemas de apoio à decisão(2).
Não se espera que os métodos computacionais sejam capazes de substituir
totalmente o diagnóstico clínico, mas eles devem reduzir significativamente o tempo
necessário para estes métodos de análise, reduzindo o espaço de busca de
hipóteses que necessitam de ser validados(3).
Compreende-se nas publicações que o sucesso de qualquer sistema
inteligente em grande parte depende do aprimoramento dos dados de entrada,
sendo assim, o desenvolvimento de bases de dados de qualidade deve acompanhar
a evolução dos sistemas inteligentes. Uma vez que os modelos de RNAs dependem
da entrada de dados especificas para aprimorar sua aplicação e experiência na
identificação de padrões de doenças(4,6). Como os estudos apontam as RNAs devem
ser consideradas como uma importante ferramenta para consulta, mas que nunca
deve substituir o conhecimento pessoal e o julgamento do profissional, e por isso, só
vem complementar a tomada de decisão(6).
Conclusões

As técnicas de IA, tal como as RNAs, são ferramentas importantes no apoio a

decisão principalmente com o aumento exponencial no volume de dados produzidos
em algumas especialidades da pesquisa/clínica médica: bioinformática,
farmacologia, patologia diagnóstica e medicina genômica. Para estas e outras que
envolvem problemas estatísticos/matemáticos complexos, as técnicas de RNA
podem agilizar processos, diminuir erros e reduzir custo trazendo importantes
contribuições no auxílio ao diagnóstico. É importante ressaltar as RNAs não têm o
objetivo de substituir o profissional médico, mas sim auxiliá-lo.

Referências

1. Pastur-Romay, Lucas Antón, et al. "Deep Artificial Neural Networks and Neuromorphic Chips for
Big Data Analysis: Pharmaceutical and Bioinformatics Applications." International Journal of
Molecular Sciences 17.8 (2016): 1313. Int J Mol Sci. 2016 Aug 11;17(8). pii: E1313. doi:
10.3390/ijms1708131.

2. Pouliakis, Abraham, et al. "Artificial Neural Networks as Decision Support Tools in Cytopathology:
Past, Present, and Future." Biomedical engineering and computational biology 7 (2016): 1. Biomed
Eng Comput Biol. 2016 Feb 18;7:1-18. doi: 10.4137/BECB.S31601. eCollection.

3. Leung, Michael KK, et al. "Machine Learning in Genomic Medicine: A Review of Computational
Problems and Data Sets." Proceedings of the IEEE 104.1 (2016): 176-197. Proceedings of the
IEEE | Vol. 104, No. 1, January 2016.

4. Alizadeh, Behrouz, et al. "Developing an Intelligent System for Diagnosis of Asthma Based on
Artificial Neural Network." Acta Informatica Medica 23.4 (2015): 220. Acta Inform Med. 2015
Aug;23(4):220-3. doi: 10.5455/aim.2015.23.220-223. Epub 2015 Jul 30.

5. Manning, Timmy, Roy D. Sleator, and Paul Walsh. "Biologically inspired intelligent decision
making: a commentary on the use of artificial neural networks in bioinformatics." Bioengineered 5.2
(2014): 80-95. Bioengineered. 2014 Mar-Apr;5(2):80-95. doi: 10.4161/bioe.26997. Epub 2013 Dec
16.

6. Anagnostou, Theodore, et al. "Artificial neural networks for decision-making in urologic oncology."
European urology 43.6 (2003): 596-603. Rev Urol. 2003 Winter; 5(1): 15–21.