OPINIÃO

Aplicações de Deep Learning em Medicina no Mundo (parte 2)

Eduardo Prado [i] & Wiliam Hisatugu [ii]
15/06/2016 ... Convergência Digital

Continuação do artigo "Aplicações de Deep Learning em Medicina no Mundo (parte 1)"

3.1.1.
Câncer de Mama

O câncer mais frequente nas mulheres de todo o mundo é o câncer de mama, sendo a principal causa de morte por câncer em mulheres, sobretudo na faixa etária dos 40 aos 55 anos de idade. A mamografia de rastreio é realizada na população assintomática para detectar sinais precoces de câncer da mama, tais como massas, micro-calcificações, assimetria e distorção arquitetural. A mamografia de diagnóstico é realizada em pacientes que já tenham demonstrado achados clínicos anormais. Tanto as imagens de rastreio como as de diagnóstico são interpretadas por radiologistas que inspecionam visualmente as mamografias.

Tanto as micro-calcificações como as massas, quando existentes, podem ser benignas ou malignas. A classificação (ou “score) BI-RADS (“Breast Imaging Reporting And Data System”) [3.13 – 3.15] descreve como fatores importantes para a determinação de malignidade a distribuição e morfologia das micro-calcificações e as margens, forma e densidade das massas.

Com base no nível de suspeita, as lesões podem ser classificadas numa das sete categorias BIRADS, a saber:
0 - quando o exame não é conclusivo;
1 - para nenhum achado;
2 - para achados benignos;
3 - para achados provavelmente benignos;
4 - para resultados suspeitos;
5 - quando há uma grande probabilidade de malignidade; 
6 - para câncer comprovado.

Quando um exame apresenta mais do que um achado, a classificação BI-RADS presente no relatório médico corresponde à classe do achado com o BI-RADS mais alto.

No cenário de Câncer de Mama nós já temos uma “startup” que se candidatou ao negócio de apoio ao diagnóstico através da tecnologia de “Deep Learning”. Trata-se de Behold.ai [3.16] dos EUA. Essa “startup está inovando e “atacando” em uma área diferenciada na oncologia que é o Diagnóstico de Câncer de Mama. Essa empresa se posiciona no mercado médico ofertando a possibilidade de 2ª opinião médica para o diagnóstico do Câncer de Mama [3.17].

A tecnologia das redes CNN também está despertando o interesse de grandes players no segmento de Câncer de Mama. Recentemente, foi a vez da Samsung Medison [3.17.1] que é a companhia global de equipamentos médicos da gigante Samsung Electronics. Ela acabou de anunciar a atualização do seu produto RS80A de imagem de ultrassom com um algoritmo de “Deep Learning” para análise do câncer de mama [3.17.2] e [3.17.3].

Veja aqui outras referências sobre o tema em [3.18] e [3.19]:

Referências:

[3.13] BI-RADS, Wikipedia
https://en.wikipedia.org/wiki/BI-RADS

[3.14] BIRADS classification in mammography, Elsevier, 2007
http://ltc-ead.nutes.ufrj.br/constructore/objetos/Classifica%e7%e3o%20de%20BIRADS.pdf

[3.15] BI-RADS for Sonography: Positive and Negative Predictive Values of Sonographic Features, American Journal of Roentgenology, April 2005
http://www.ajronline.org/doi/full/10.2214/ajr.184.4.01841260

[3.16] Behold
http://behold.ai/

[3.17] Startup Uses Deep Learning to Detect Disease from Medical Scans, Nvidia, 09.feb.2016
http://blogs.nvidia.com/blog/2016/02/09/deep-learning-3/

[3.17.1] Samsung Medison
http://www.samsungmedison.com/

[3.17.2] Machine learning rivals human skills in cancer detection, Kurzweil Accelerating Intelligence, 22.apr.2016
http://www.kurzweilai.net/machine-learning-rivals-human-skills-in-cancer-detection

[3.17.3] ​Samsung applies deep learning to ultrasound device, ZDNet News, 21.apr.2016
http://www.zdnet.com/article/samsung-applies-deep-learning-to-ultrasound-device/

[3.18] Computational Mammography using Deep Neural Networks, 2015
http://www.cs.technion.ac.il/~nastyad/publications/DKGHK_DLMIA2015.pdf

[3.19] Deep Learning Technology Helps Improve Diagnostics of Breast Cancer, PR Web, 29.sep.2015
http://www.prweb.com/releases/simagis/breast-cancer/prweb12986679.htm

3.1.2.
Doença de Alzheimer

A Doença de Alzheimer (DA) é o tipo mais comum de demência correspondendo entre 50 a 70% de todos os casos. Demência refere-se a doenças que são caracterizadas por uma perda das funções cognitivas, progressivamente ou não, entre elas a memória, e é causada por processos degenerativos cerebrais. Estima-se no Brasil 1 milhão e 200 mil pessoas sofrem de DA. O número de pacientes no mundo é estimado em 35,6 milhões no mundo. Em razão do envelhecimento da população global, esses números aumentarão significativamente, em 2030, serão 65,7 milhões e em 2050, 115,4 milhões de portadores, sendo dois terços deles em países em desenvolvimento.

O Comprometimento Cognitivo Leve (CCL) (ou em inglês MCI = “Mild Cognitive Impairment”) é uma condição na qual um indivíduo tem alterações cognitivas discretas, perceptíveis através de avaliações cognitivas, mas que ainda permitem que os indivíduos tenham uma vida normal, sem comprometimento das atividades de vida diária. Indivíduos com CCL são mais propensos a desenvolver a DA do que indivíduos sem esse diagnóstico [3.20].

A detecção precoce da doença pode ser alcançada através do processamento de imagem utilizando-se a Ressonância Magnética (MRI). Uma gigantesca quantidade de métodos de “machine learning” têm sido tentados para esta tarefa nos últimos anos. Alguns destes métodos têm sido comprovados serem eficazes no diagnóstico da DA através de neuroimagens. É, portanto, de grande interesse para desenvolver e melhorar tais métodos de predição.

Convém ressaltar que, o diagnóstico da DA e das outras demências tradicionalmente é realizado através da avaliação clínica do profissional, associada a testes de memória e bateria cognitiva. Já existem marcadores bioquímicos que estão disponíveis em pesquisas clínicas e que já podem ser utilizados para auxílio ao diagnóstico. Os testes de imagem são, em alguns casos, instrumentos complementares de auxilio no diagnóstico dessas doenças.

Mais detalhes da utilização de algoritmos de “Deep Learning” para detecção da DA ver nestas referências [3.21-3.23].

Referências:

[3.20] 2015 Alzheimer’s Disease Facts and Figures, Alzheimer´s Association, 2015
https://www.alz.org/facts/downloads/facts_figures_2015.pdf

[3.21] Deep Learning Based Imaging Data Completion for Improved Brain Disease Diagnosis, NCBI, 2014
http://www.ncbi.nlm.nih.gov/pmc/articles/PMC4464771/

[3.22] Automatic Classification of Alzheimer’s Disease from Structural MRI, Master’s Thesis in Computer Science, Ostfold University College, Norway, 15.may.2015
http://brage.bibsys.no/xmlui/bitstream/id/352138/15-00486-11%20Masteravhandling%20235135_1_1.pdf

[3.23] Neuroanatomical characterisation of Alzheimer’s disease using deep learning, School of Computing, National University of Singapore, 17.oct.2015
http://www.comp.nus.edu.sg/~abhinit/grp.pdf

3.1.3.
Diagnóstico Cardiovascular

Tem uma área ainda não muito explorada da utilização de algoritmos de “Deep Learning” que é a área cardíaca mas temos um primeiro caso que é o da “startup” Arterys [3.24] que possui um sistema que oferece a visualização não invasiva e permite a quantificação do fluxo de sangue cardíaco para utilização em diagnósticos de anomalias e doenças cardíacas.

A Arterys aplica a tecnologia de “Deep Learning” e Inteligência Artificial para permitir a análise dos dados em uma fração de tempo através de imagens de Ressonância Magnética.

A “startup” Arterys anunciou recentemente uma parceria com GE Healthcare [3.25] e [3.26] nesse semento clínico.

Referências:

[3.24] Arterys
https://arterys.com/

[3.25] GE, Arterys ready launch for deep learning diagnostic system for cardiac MRIs, Field Medical Devices, 18.feb.2016
http://www.fiercemedicaldevices.com/story/ge-arterys-ready-launch-deep-learning-diagnostic-system-cardiac-mris/2016-02-18

[3.26] Arterys Continues To Apply Deep Learning To Transform Medical Imaging, PR Newswire, 18.feb.2016
http://www.prnewswire.com/news-releases/arterys-continues-to-apply-deep-learning-to-transform-medical-imaging-300222006.html

3.1.4.
Câncer de Pele

A tecnologia de “Deep Learning” também começa a interessar os profissionais que trabalham com o câncer de pele para auxílio no Diagnóstico Digital [3.26.1].

Veja aqui outras referências sobre o tema [3.26.1.a].

Referências:

[3.26.1] Deep Networks for Early Stage Skin Disease and Skin Cancer Classification, Stanford University
http://cs231n.stanford.edu/reports/esteva-paper.pdf

[3.26.1.a] Referências do Gogle sobre [skin disease cancer "deep learning"]
https://www.google.com.br/webhp?sourceid=chrome-instant&rlz=1C1QJDA_enBR621BR649&ion=1&espv=2&ie=UTF-8#q=skin%20disease%20cancer%20%22deep%20learning%22

3.1.5.
Derrame Cerebral

O ex-CEO da Philips Healthcare chamado Gene Saragenese está investindo em software de “Deep Learning” para ajudar aos radiologistas a diagnosticar derrame cerebral através da “startup” Medy Match Technology [3.26.2] e [3.26.3].

Referências:

[3.26.2] Medy Match Technology
https://medymatch.com/

[3.26.3] Former Philips Imaging CEO heading machine learning startup to improve stroke diagnosis, Fierce Medical Devices, 17.feb.2016
http://www.fiercemedicaldevices.com/story/former-philips-imaging-ceo-heading-machine-learning-startup-improve-stroke/2016-02-17?utm_campaign=AddThis&utm_medium=AddThis&utm_source=twitter#.VsYRbhR_VR8.twitter

3.2.
Aplicações em Desenvolvimento de Medicamentos

A indústria farmacêutica enfrenta o problema de que um grande percentual dos “candidatos” a medicamentos falham em chegar ao mercado. Estas falhas dos compostos químicos são causadas ​​por baixa eficácia no alvo biomolecular (“on-target effect”), as interações não detectadas e indesejadas com outras biomoléculas (“off-target effect”), ou efeitos tóxicos imprevistos [3.27].

O desenvolvimento de novos medicamentos tem se tornado algo proibitivo no mundo. Atualmente, para desenvolver um único medicamento apenas, em média, a indústria gasta de 10 a 15 de anos e em torno de 2,5 BUS$. É necessário a utilização de novos mecanismos para baratear o desenvolvimento de novos medicamentos. A “stratup” Berg Health está apostando na IA para elaborar novos medicamentos. [3.27.1] e [3.27.2]

Em 2012, uma equipe liderada por George Dahl ganhou o "Merck Molecular Activity Challenge" [3.28] com a participação do Professor Geoffrey Hinton da Universidade de Toronto utilizando as redes neurais profundas (“Deep Neural Network”) multi-tarefas para prever o alvo biomolecular de um composto [3.29]. 

Em 2014, o grupo Sepp Hochreiter usou a tecnologia de “Deep Learning” para detectar efeitos “off-target” e tóxicos de substâncias químicas ambientais em nutrientes, produtos domésticos e de medicamentos e ganhou o concurso "Tox21 Data Challenge" da NIH, FDA e NCATS [3.30] e [3.31].

Estes sucessos impressionantes mostram que a tecnologia de “Deep Learning” pode ser superior a outros métodos de rastreio virtual (“virtual screening”) [3.32] e [3.33]. Os pesquisadores do Google e de Stanford reforçaram a técnica de “Deep Learning” para a descoberta de novos medicamentos através da combinação de dados de uma variedade de fontes [3.34]. Em 2015, a Atomwise introduziu a AtomNet, a primeira rede neural de “Deep Learning” para o projeto racional de medicamentos baseados em estrutura [3.35]. Subsequentemente, AtomNet foi utilizado para prever novas biomoléculas candidatas para vários objetivos das doenças, mais notadamente os tratamentos para o vírus de Ebola [3.36] e de esclerose múltipla [3.37].

Recentemente, cientistas da Insilico Medicine treinaram redes DNN (“Deep Neural Network”) para predizer o potencial do uso terapêutico de 678 medicamentos, usando dados de “expressão-genética”) obtidos através de experimentos com células humanas. [3.37.1]

Referências:

[3.27] Using transcriptomics to guide lead optimization in drug discovery projects: Lessons learned from the QSTAR project". Drug Discovery Today, May 2015
http://www.sciencedirect.com/science/article/pii/S1359644614004851

[3.27.1] Berg Health
http://berghealth.com/

[3.27.2] Video - Niven R Narain: Artificial intelligence is making better drugs [WIRED 2015], You Tube, 02.nov.2015
https://www.youtube.com/watch?v=Ns2rnr1PAUk

[3.28] Merck Molecular Activity Challenge, 2012
https://www.kaggle.com/c/MerckActivity/details/winners

[3.29] Multi-task Neural Networks for QSAR Predictions, Arxiv, 04.jun.2014
http://arxiv.org/pdf/1406.1231.pdf

[3.30] Toxicology in the 21st century Data Challenge
https://tripod.nih.gov/tox21/challenge/leaderboard.jsp

[3.31] NCATS Announces Tox21 Data Challenge Winners
http://www.ncats.nih.gov/news-and-events/features/tox21-challenge-winners.html

[3.32] Unterthiner, T.; Mayr, A.; Klambauer, G.; Steijaert, M.; Ceulemans, H.; Wegner, J. K.; & Hochreiter, S. (2014) "Deep Learning as an Opportunity in Virtual Screening". Workshop on Deep Learning and Representation Learning (NIPS2014)
http://www.bioinf.jku.at/publications/2014/NIPS2014a.pdf

[3.33] Unterthiner, T.; Mayr, A.; Klambauer, G.; & Hochreiter, S. (2015) "Toxicity Prediction using Deep Learning". ArXiv, 2015
http://arxiv.org/pdf/1503.01445v1

[3.34] Ramsundar, B.; Kearnes, S.; Riley, P.; Webster, D.; Konerding, D.;& Pande, V. (2015) "Massively Multitask Networks for Drug Discovery". ArXiv, 2015

[3.35] Wallach, Izhar; Dzamba, Michael; Heifets, Abraham (2015-10-09). "AtomNet: A Deep Convolutional Neural Network for Bioactivity Prediction in Structure-based Drug Discovery".
https://arxiv.org/abs/1510.02855

[3.36] "Toronto startup has a faster way to discover effective medicines" , The Globe and Mail. Retrieved 11.sep.2015
http://www.theglobeandmail.com/report-on-business/small-business/starting-out/toronto-startup-has-a-faster-way-to-discover-effective-medicines/article25660419/

[3.37] "Startup Harnesses Supercomputers to Seek Cures". KQED Future of You. Retrieved 2015-11-09
http://ww2.kqed.org/futureofyou/2015/05/27/startup-harnesses-supercomputers-to-seek-cures/

[3.37.1] Deep learning applied to drug discovery and repurposing, Kurzweil Accelerating Intelligence, 27.may.2016
http://www.kurzweilai.net/deep-learning-applied-to-drug-discovery-and-repurposing

3.3.
Genômica 

Atualmente, os dados são fundamentais no tratamento do câncer. Eles também nos permitem desenvolver uma ideia de genômica funcional, não apenas codificação na codificação do DNA. Novas empresas estão impulsionando a tecnologia algorítmica, como as “startups” Deep  Genomics (que angariou 3,7 MUS$ em dezembro de 2015) [3.39] e a iCarbonX [3.39.1].

Ao usar a tecnologia de “Deep Learning” e a IA, elas esperam para nos proporcionar um conhecimento mais aplicável do genoma humano. Mas para fazer isso, elas precisam de dados, tanto quanto possível - mais do que a medicina tradicional tem sido acostumada a utilizar. Embora possa levar algum tempo para recolher esse tipo de coleção de dados e evoluir com a análise deles, essas empresas estão sendo esperadas no mercado ainda este ano, e há uma grande expectativa em torno delas.

Aqui temos outras aplicações da tecnologia de “Deep Learning” em Biologia [3.40]. Veja outras referências sobre o tema aqui [3.40.1].

Referências:

[3.39] Startup Canadense Deep Genomics
https://www.google.com.br/webhp?sourceid=chrome-instant&rlz=1C1QJDA_enBR621BR649&ion=1&espv=2&ie=UTF-8#q=%22Deep+Learning%22+%22Deep+Genomics%22

[3.39.1] Former BGI CEO's New Start-Up Is Raising $106M Series A, China Money Network, 16.jan.2016
http://www.chinamoneynetwork.com/2016/01/21/former-bgi-ceos-new-start-up-is-raising-106m-series-a-round

[3.40] List of deep learning implementations in biology, Follow the Data, 21.dec.2015
https://followthedata.wordpress.com/2015/12/21/list-of-deep-learning-implementations-in-biology/

[3.40.1] Referências do Google sobre [genomics "deep learning"]
https://www.google.com.br/webhp?sourceid=chrome-instant&rlz=1C1QJDA_enBR621BR649&ion=1&espv=2&ie=UTF-8#q=genomics%20%22deep%20learning%22

3.4.
Aplicações de Linguagem Natural

Uma área de “Machine Learning” que pode ser muito explorada nos segmentos de Saúde e Bem Estar (“Wellness”) são as aplicações de assistentes virtuais que utilizam Processamento de Linguagem Natural [3.41]. Aqui é uma área que se “você plantar uma árvore de forma criativa e inteligente, ela vai prosperar”. “Think about that”! Aqui nós temos o caso da “app” Lark que está reinventando o gerenciamento de doenças crônicas [3.42]. Ver outras referências sobre o tema aqui [3.43].

A tecnologia de NLP (“Natural Language Processing”) vai ter um espaço muito interessante nas interfaces “conversacionais” das aplicações de saúde (incluindo aqui as apps móveis), como também, na recuperação de informações a partir das Observações/Notas (“EHR Notes”) dos PEPs (Prontuários Eletrônicos dos Pacientes), Exames Médicos de Pacientes (que normalmente estão no formato .Doc ou .Pdf) e documentos ou relatórios manuscritos de saúde [3.44 a 3.49].

Referências:

[3.41] Natural Language Processing, Wikipedia
https://en.wikipedia.org/wiki/Natural_language_processing

[3.42] Exponential Medicine: This Virtual Assistant Tells You When To Put Down the Bacon, Singularity Hub, 11.nov.2016
http://singularityhub.com/2015/11/11/exponential-medicine-this-virtual-assistant-tells-you-when-to-put-down-the-bacon/

[3.43] Referências do Google sobre “virtual personal assistant machine learning in healthcare”
https://www.google.com.br/webhp?sourceid=chrome-instant&ion=1&espv=2&ie=UTF-8#q=virtual%20personal%20assistant%20machine%20learning%20in%20healthcare

[3.44] EHRs can help detect patients with a history of #cancer, 25.apr.2016 #healthcare
http://www.fierceemr.com/story/ehrs-can-help-detect-patients-history-cancer/2016-04-25

[3.45] Developing an Algorithm to Identify History of Cancer Using Electronic Medical Records, EDM Forum, 13.apr.2016 [PDF]
http://repository.edm-forum.org/cgi/viewcontent.cgi?article=1209&context=egems

[3.46] Natural Language Processing in Oncology: A Review, JAMA Oncology, 28.apr.2016 #nlp #oncology
http://oncology.jamanetwork.com/article.aspx?articleid=2517402

[3.47] Google References on = Natural Language Processing in MEDICINE
https://www.google.com.br/webhp?sourceid=chrome-instant&ion=1&espv=2&ie=UTF-8#q=Natural+Language+Processing+in+MEDICINE+NLP

[3.48] The Digital Doctor: Is NLP the Breakthrough We’ve Been Waiting For?, The Health Care Blog, 23.jun.2015
http://thehealthcareblog.com/blog/2015/06/23/is-natural-language-processing-the-digital-breakthrough-weve-been-waiting-for/

[3.49] Deep Learning for Natural Language Processing: Theory and Practice, Tutorial presented at CIKM, 07.nov.2014
https://www.google.com.br/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&ved=0ahUKEwiemNjvi7bJAhXNopAKHYroDl0QFggkMAE&url=http%3A%2F%2Fresearch.microsoft.com%2Fen-US%2Fpeople%2Fdeng%2Fcikm14_tutorial_v07.pptx&usg=AFQjCNG5yAtPFphsvbBCx4aEAStVKADGIQ&sig2=WcVC54a0RQbqZ6FlY4PZ5A&cad=rja

Vimos acima apenas uma pequena amostra do início de uma “estrada longa” que ainda será percorrida na utilização das tecnologias de IA (notadamente “Deep Learning”) em Medicina ... aposte nisso!

Autores:

[i] Eduardo Prado é consultor de mercado em novos negócios, inovação e tendências em Mobilidade e “Big Data” em Saúde.
E-mail: eprado.sc@gmail.com  
Blog Saúde Business: http://saudebusiness.com/blogs/saude-3-0/
Twitter: https://twitter.com/eprado_melo

[ii] Dr. Wilian Hiroshi Hisatugu é Professor Adjunto do DCEL/UFES - Campus São Mateus


Carreira
Governo Federal abre inscrições para curso gratuito de inglês

Língua inglesa é fundamental na área de TI. Iniciativa é dividida em cinco níveis de aprendizado: iniciante, básico, pré-intermediário, intermediário e avançado.


Veja a Cobertura Especial do IX Seminário TelComp 2016

Governo precisa atuar como coordenador na remoção às barreiras inúteis em Telecom

Se não é possível ao governo fazer investimentos, que ele funcione como um coordenador e incentive o diálogo com os órgãos que, hoje, dificultam os investimentos em redes, diz o presidente-executivo da TelComp, João Moura. Novo ciclo do PGMC é a última oportunidade para fomentar a inclusão.


Veja a Cobertura Especial do IX Seminário TelComp 2016

  • Copyright © 2005-2017 Convergência Digital
  • Todos os direitos reservados
  • É proibida a reprodução total ou
    parcial do conteúdo deste site
    sem a autorização dos editores
  • Publique!
  • Convergência Digital
  • Cobertura em vídeo do Convergência Digital
  • Carreira
  • Cloud Computing
  • Internet Móvel 3G 4G