Aprendizado de máquina para análise de imagens médicas

Publicado em: 25/06/2021 - 16:06:49
Next Frontiers
Linha Fina

Saiba mais sobre como a tecnologia pode melhorar a análise de imagens e seus principais desafios

No segundo dia de palestras do Next Frontiers to Cure Cancer 2021, realizado pelo A.C.Camargo Cancer Center, Krzysztof J. Geras, da New York University School of Medicine, ministrou a palestra “Redes neurais profundas explicáveis para análise de imagens clínicas”.

O especialista explicou o que é o aprendizado de máquinas para análise de imagens médicas e as várias tarefas de aprendizado, como classificação, detecção e segmentação para imagens de ultrassom, raio-x, tomografia e ressonância magnética.

O aprendizado profundo é a ferramenta ideal para análises de imagens médicas, pois ocorre em um campo em que há um grande número de dados disponíveis para tarefas com alto grau de dificuldade.

Desafios do aprendizado com dados de imagens médicas

Segundo Krzysztof, os principais desafios são:

  • O tamanho dos conjuntos de dados públicos, que é muito pequeno devido ao fato de hospitais não serem adeptos de compartilhar informações entre si e com o mundo.
  • A dificuldade de rotular dados de imagens médicas com resolução de imagem muito pequena.
  • Os dados de imagens médicas têm propriedades muito diferentes das imagens naturais para as quais as redes neurais padrão são projetadas.
  • A falta de mecanismo direto para explicar as previsões das arquiteturas de rede neural padrão.
  • A dificuldade de avaliar o impacto do aprendizado de máquina.

Conclusões

Krzysztof finaliza sua apresentação explicando que o aprendizado profundo é a ferramenta mais adequada para análise de imagens médicas. Muito progresso já foi feito nessa área e modelos explicativos serão altamente utilizados no futuro. Porém, precisaremos entender como usar estes modelos.

Confira a cobertura completa do Next Frontiers to Cure Cancer 2021 e conheça as principais novidades e destaques do maior congresso sobre câncer da América Latina.

Avaliação de conteúdo

Você gostaria de avaliar esse conteúdo?
Esse conteúdo foi útil?
Gostaria de comentar algo sobre esse conteúdo?