IA e os Problemas Difíceis do Mundo ─ Medicina e descoberta de medicamentos
Ciência e conhecimento avançados pela IA, por disciplina
Feed RSS · 17 itens
Uma estrutura hierárquica interpretável de aprendizado profundo para a detecção de câncer de pulmão e de cólon
Título original: An interpretable hierarchical deep learning framework for lung and colon cancer detection
Classificar o câncer de pulmão e de cólon a partir de imagens histopatológicas é difícil porque as classes são parecidas e a morfologia dos tecidos varia, e os modelos convencionais de aprendizado profundo oferecem pouca transparência. Os autores dividem a tarefa de cinco classes em etapas do geral para o específico: primeiro, normal versus câncer; depois, um classificador especializado para as categorias de tecido normal ou para os subtipos de câncer, com a melhor arquitetura escolhida para cada etapa. A estrutura alcançou 98.50% de acurácia no LC25000 e 82.01% no conjunto de dados independente LungHist700, e foram usados Grad-CAM, Grad-CAM++, LIME e Occlusion Sensitivity para destacar as regiões da imagem por trás de suas previsões.
Predição de carcinoma hepatocelular com base em inteligência artificial em indivíduos sem infecção por HBV ou HCV na era da MASLD
Título original: Artificial intelligence-based prediction of hepatocellular carcinoma in individuals without HBV or HCV infection in the MASLD era
As diretrizes atuais de vigilância do câncer de fígado (CHC) visam principalmente pessoas com cirrose ou hepatite viral. Os pesquisadores desenvolveram um modelo de IA para prever o risco de CHC em pessoas sem hepatite viral, usando dados de cerca de 7,96 milhões de adultos sul-coreanos que fizeram exames de rastreamento de saúde. Entre doze modelos comparados, o MHA_DNN teve o melhor desempenho e manteve acurácia consistente em uma coorte de validação independente. O índice de fígado gorduroso e os triglicerídeos foram os preditores mais influentes, sugerindo apoio a uma vigilância personalizada baseada no metabolismo.
Uma estrutura de aprendizado profundo multitarefa para previsão automatizada de condições de saúde a partir de imagens de fundo de olho da retina, usando atenção híbrida e IA explicável
Título original: A multi task deep learning framework for automated health condition prediction from retinal fundus images using hybrid attention and explainable AI
Os modelos de aprendizado profundo existentes para imagens de fundo de olho da retina lidam com apenas uma tarefa, oferecem interpretabilidade limitada e têm dificuldade com a variação entre conjuntos de dados. Os autores propõem uma rede multitarefa que classifica a gravidade da retinopatia diabética, o glaucoma, o estágio da DMRI e o risco cardiovascular a partir de uma única imagem em uma única passagem direta, com explicações Grad-CAM. Ela alcançou 94,7% de acurácia e AUC de 0,978 em quatro conjuntos de dados, superando estatisticamente todos os modelos de tarefa única, e AUC de pelo menos 0,951 na avaliação zero-shot entre conjuntos de dados.
Uma estrutura integrada de autômatos e aprendizado de máquina para diagnósticos inteligentes de saúde mental
Título original: An automata-machine learning integrated framework for intelligent mental health diagnostics
A depressão entre estudantes muitas vezes passa despercebida até se tornar grave, por isso é necessária uma previsão precoce. Os autores combinaram modelagem comportamental baseada em autômatos finitos com aprendizado de máquina, gerando características a partir dos estados emocionais dos estudantes e mesclando características redundantes. Usando um ensemble de random forest e KStar, a acurácia subiu de 82,02% na linha de base com random forest para 96,88% com as características baseadas em autômatos. Os autores afirmam que a abordagem mantém as características interpretáveis e rastreáveis.
Uma estrutura de validação em várias etapas para extração confiável de informações clínicas em larga escala usando modelos de linguagem de grande porte
Título original: A multi-stage validation framework for trustworthy large-scale clinical information extraction using large language models
A validação de grandes modelos de linguagem para extração de informações clínicas geralmente exige anotação manual custosa. Os autores propuseram um framework de várias etapas que combina filtragem baseada em regras, ancoragem semântica, avaliação por LLM juiz, revisão por especialistas e análise de validade preditiva. Aplicado a diagnósticos de transtorno por uso de substâncias em 919.783 notas clínicas, removeu 14,59% das extrações positivas do LLM por serem sem suporte ou implausíveis. O LLM principal obteve um F1 score de 0,80 em relação às avaliações do juiz, e seus diagnósticos extraídos previram o engajamento posterior em cuidados especializados melhor do que as bases de referência com dados estruturados.
IA detecta doença arterial coronariana a partir de fotos do rosto e da língua em um teste pequeno
Título original: AI detects coronary heart disease from face and tongue photos in small test
Um novo estudo da China treinou um sistema de IA com fotografias do rosto e da língua para detectar doença arterial coronariana (DAC). Em um teste pequeno, o sistema identificou corretamente todos os pacientes com DAC.
Identificação de ruídos adventícios pulmonares em crianças com doenças respiratórias em Bangladesh usando inteligência artificial e ausculta digital
Título original: Identification of adventitious lung sounds in children with respiratory illnesses in Bangladesh using artificial intelligence and digital auscultation
As diretrizes de Atenção Integrada às Doenças Prevalentes na Infância (AIDPI) têm alta sensibilidade, mas baixa especificidade para pneumonia. Profissionais de saúde em Bangladesh registraram os sons pulmonares de crianças menores de cinco anos com suspeita de pneumonia usando um estetoscópio digital, e um algoritmo de IA foi comparado com um painel de pediatras. A IA detectou sons anormais com sensibilidade de 61,8% e especificidade de 60,7% no geral, e de 63,5% e 66,8% nos casos de pneumonia segundo a AIDPI. Os autores descrevem esse desempenho como moderado, sendo necessária melhoria na classificação de gravações não interpretáveis.
Rotulagem autônoma de margens de ressecção cirúrgica usando um modelo de base
Título original: Autonomous labeling of surgical resection margins using a foundation model
A avaliação das margens de ressecção cirúrgica em patologia é prejudicada por erros de marcação manual com tinta, distorção do tecido e danos causados pela cauterização. Os autores desenvolveram uma rede de marcação virtual que usa um modelo de base congelado e um pequeno classificador para mapear a margem em imagens de lâmina inteira, sem tinta física. Em 20 lâminas de blocos de tecido não vistos, ela alcançou cerca de 73,3% de acurácia em nível de região e produziu sobreposições que correspondiam qualitativamente às anotações de especialistas. Os resultados são uma prova de conceito e precisam ser validados em coortes clínicas maiores.
Fenotipagem clínica da gordura marrom humana habilitada por inteligência artificial
Título original: Artificial intelligence-enabled clinical phenotyping of human brown fat
Faltavam métodos para quantificar em larga escala a atividade do tecido adiposo marrom (TAM) em humanos. Usando dados de 101.243 pacientes de um grande centro oncológico, os autores quantificaram de forma semiautomática a atividade do TAM em cerca de 8.700 pacientes com aprendizado de máquina. Maior atividade do TAM, especialmente na região axilar, foi associada a menor chance de doença cardiometabólica e a uma distribuição mais saudável da gordura branca.
Um modelo de base completo para restauração e aprimoramento de imagens médicas multimodais
Título original: An all-in-one foundation model for multimodal medical image restoration and enhancement
O AMIFound é um modelo de base que restaura e aprimora imagens médicas degradadas por ruído, artefatos de movimento, baixo contraste ou aquisição com baixa dose em sete modalidades, incluindo TC, RM, PET, endoscopia, ultrassom, fundo de olho e raios X. Treinado com 3,76 milhões de imagens pareadas, superou 38 modelos de referência específicos e gerais em métricas de qualidade de imagem, avaliação por médicos e testes de robustez. As imagens aprimoradas também melhoraram 44 tarefas de detecção de doenças, a previsão do estágio de tumores e a estratificação do risco de sobrevida no câncer de pulmão de células não pequenas.
Sinais ocultos no sono podem prever a saúde futura
Título original: Hidden signals in sleep can predict future health
Ferramentas de IA conseguem extrair, de uma única noite de sono, padrões fisiológicos que as medidas convencionais do sono não captam, e esses padrões estão associados a doenças e mortalidade. Dois artigos recentes, na Nature Communications e na Nature Medicine, sugerem que os dados do sono contêm muito mais informações sobre saúde do que médicos e pesquisadores extraem atualmente. Há também evidências crescentes de que alterações no sono podem aparecer antes de uma doença ser diagnosticada.
Análise de aprendizado de máquina do transporte de partículas impulsionado por cílios distingue discinesia ciliar primária de cílios normais
Título original: Machine learning analysis of cilia driven particle transport distinguishes primary ciliary dyskinesia from normal cilia
A discinesia ciliar primária (DCP) é uma condição genética com cílios de movimento anormal, e o diagnóstico continua sendo um desafio. Os autores desenvolveram o CiliaTracks, uma estrutura de aprendizado de máquina que analisa o transporte de partículas em células das vias aéreas cultivadas, captado por microscopia de alta velocidade. Modelos clássicos de aprendizado de máquina e uma rede neural convolucional classificaram gravações de 14 indivíduos com DCP e 10 doadores saudáveis com 95-97% de acurácia.
Segmentação de tumores cerebrais usando equalização de histograma otimizada por enxame de partículas e uma U-Net baseada em VGG19
Título original: Brain tumor segmentation using particle swarm optimized histogram equalization and a VGG19 based U-Net
A segmentação de tumores cerebrais em ressonância magnética é lenta, sujeita a erros e afetada por viés do operador, e os modelos de aprendizado profundo muitas vezes carecem de interpretabilidade. Os autores propõem o SPOHE-VGGNet, que combina uma U-Net modificada com VGG-19 e equalização de histograma otimizada por enxame de partículas para melhorar o contraste da ressonância magnética. Ele alcançou índices Dice de 0,9522 (meningioma), 0,9428 (glioma) e 0,9518 (tumor da hipófise) no conjunto de dados Figshare e 0,9463 para a segmentação do tumor inteiro no BraTS 2021, embora os autores afirmem que ainda é necessária validação externa, volumétrica e centrada no clínico antes do uso clínico.
Liberando os modelos de base geoespaciais planetários do Earth AI para a saúde pública global
Título original: Unlocking Earth AI’s planetary geospatial foundation models for global public health
As decisões de saúde pública costumam ser retardadas por atrasos nos relatórios, dados isolados em silos e escassez de dados. O Population Dynamics Foundation Model (PDFM) do Google comprime tendências de busca que preservam a privacidade, mobilidade humana, densidade do ambiente construído e fatores ambientais em embeddings de localização. Esses embeddings podem ser incorporados a modelos epidemiológicos existentes sem ajuste fino específico para cada tarefa, e foram apresentados cinco estudos de caso com parceiros.
Um pipeline baseado em aprendizado profundo para diferenciar cardiomiopatia hipertrófica de amiloidose cardíaca usando ecocardiografia 2D de múltiplas vistas
Título original: A deep learning-driven pipeline for differentiating hypertrophic cardiomyopathy from cardiac amyloidosis using 2D multi-view echocardiography
A cardiomiopatia hipertrófica (CMH) e a amiloidose cardíaca (AC) são parecidas na ecocardiografia, o que dificulta diferenciá-las. O estudo desenvolveu uma estrutura de aprendizado profundo que classifica imagens de eco 2D em cinco visões clinicamente relevantes, extrai características de cada visão e as combina. Na validação cruzada em cinco partições com 212 pacientes com CMH, 119 com AC e 200 controles, ela alcançou precisão de 0,83, sensibilidade de 0,81, especificidade de 0,89 e micro-F1 de 0,82, e os autores a descrevem como uma ferramenta diagnóstica confiável.
Nova formulação ajuda vacinas de RNA a resistir a altas temperaturas
Título original: New formulation helps RNA vaccines withstand high temperatures
As vacinas de RNA geralmente exigem armazenamento ultrafrio, por isso pesquisadores do MIT usaram um algoritmo de IA para ajustar a formulação em torno das nanopartículas lipídicas que entregam as vacinas de mRNA. O algoritmo previu formulações ideais, reduzindo o número de experimentos necessários e acelerando o desenvolvimento. As vacinas resultantes permaneceram estáveis por até um ano em temperatura ambiente ou por dois meses a quase 100°F, e, em camundongos, uma vacina contra a Covid-19 produziu uma resposta imune tão forte quanto a de uma vacina de RNA semelhante à da Moderna.
Estimativa do risco de suicídio a partir de texto
Título original: Estimating suicide risk from text
Identificar pessoas com alto risco de suicídio é uma prioridade para os conselheiros durante crises de saúde mental. Pesquisadores do McGovern Institute do MIT desenvolveram uma ferramenta de processamento de linguagem que busca em textos palavras e frases associadas a 49 fatores de risco de suicídio para estimar o risco de uma pessoa. Em conversas por texto com conselheiros de crise, a ferramenta previu com precisão o risco de suicídio e, com mais validação, poderia apoiar a avaliação de risco em contextos clínicos e de apoio em crises.