“Todas as inovações eficazes são surpreendentemente simples. Na verdade, maior elogio que uma inovação pode receber é haver quem diga: Isto é óbvio! Por que não pensei nisso antes?

Peter Drucker

Inteligência artificial (IA), machine learning (ML), deep learning (DL) são termos frequentes na prática médica referindo-se a algoritmos de computador que respondem dinamicamente à medida que são expostos a mais dados¹. Aprendizado de Máquina ou machine learning do inglês que nasceu na década de 1980, é um subconjunto da IA no qual computadores programados com algoritmos para aprender utilizando experiência passada por meio de um processo de indução, onde são obtidas conclusões genéricas, valem-se também de um conjunto de exemplos pois detectam automaticamente padrões nos dados e incorporam essas informações para prever dados futuros em condições incertas^2,3. Tradicionalmente em algoritmos de ML primeiro é imprescindível extrair ou pré-processar dados estruturados (características) para depois reconhecer padrões sobre esses dados no processo de indução da aprendizagem. Por outra parte, os algoritmos de deep learning (aprendizado profundo) são um subtipo de algoritmos de ML que têm funcionamento similar ao cérebro humano, já que incluem redes neuronais artificiais (ANN)⁴. Em DL os algoritmos aprendem diretamente a partir de dados complexos não estruturados como, por exemplo, imagens, documentos de texto e áudios. Assim, a extração de características intrinsecamente forma parte deste tipo de algoritmos, tornando-os mais independentes da intervenção humana. Além disso, nestes últimos anos, para melhorar a precisão dos resultados, a combinação dos algoritmos de ML e DL, também, está sendo estudada. Deve-se observar a relação entre machine learning e deep learning; embora todo deep learning seja machine learning, nem todo machine learning é um deep learning já que as tecnologias envolvem treinamento com dados de teste para determinar qual modelo se adequa melhor aos dados. Contudo, os métodos tradicionais de machine learning exigem determinado nível de interação humana para pré-processar os dados antes de os algoritmos poderem ser aplicados. Machine learning é um subconjunto da inteligência artificial com objetivo de proporcionar aos computadores capacidade de aprender sem estarem especificamente programados para fornecer determinado resultado. Os algoritmos usados pelo machine learning ajudam o computador a aprender a reconhecer coisas⁵. Esse treinamento, se não contar com técnicas automatizadas, pode ser entediante e exigir uma quantidade significativa de esforço e tempo humano do especialista.

O algoritmo é uma sequência de raciocínios, instruções ou operações para alcançar um objetivo, sendo necessário que os passos sejam finitos e operados sistematicamente. Algoritmos Inteligentes são conjuntos de etapas precisas que não necessitam de grande esforço mental para serem seguidas, mas que, se obedecidas exatamente e mecanicamente, levarão ao resultado desejado sem limites de interferência. IA, ML, DL, conventional machine learning (CML), natural language processing, computer vision, robótica, reasoning, general intelligence, expert system, automated learning, e scheduling são tecnologias de IA que implementam sistematicamente algoritmos para sintetizar a interrelação subjacente entre dados e informações. Os algoritmos são, muitas vezes, surpreendentemente capazes de reconhecer objetos em imagens. A inteligência artificial é uma tecnologia multidimensional com vários componentes, como algoritmos avançados, machine learning e deep learning. Juntos, espera-se que forneçam dispositivos automatizados aos oftalmologistas para diagnóstico precoce com identificação de biomarcadores e tratamento oportuno de distúrbios oculares. Grandes quantidades de dados digitais combinados e consumíveis por máquina com modelos estatísticos cada vez mais sofisticados se combinam para permitir que as máquinas encontrem padrões de dados potencialmente úteis além das habilidades humanas e com resultados imediatos, ao invés, da dependência de uma avaliação manual⁶.

Construir algoritmos de IA está cada vez mais comum na interpretação das estruturas de dados e estatísticas na prática médica. Mostrar como esses produtos de IA reduzem custos e melhoram os resultados exigirá tradução clínica e integração de nível industrial no fluxo de trabalho de rotina. A oftalmologia com diversos exames e tecnologia agregada para avaliação do paciente gera um grande banco de dados e tem grande potencial de alavancar a IA para se tornar um centro de interpretação de dados para apoio a diagnóstico, que utilizam informações quantitativas e agregadas de forma inteligente^7,8.

Imagem multimodal para diagnóstico na prática oftalmológica, por exemplo, retinografia e tomografia de coerência óptica (OCT) entre outros exames oftalmológicos aplicados às técnicas de IA, ML e DL têm se mostrado em diversos estudos científicos como uma ferramenta diagnóstica eficaz para identificar diversas etapas de diferentes doenças. A precisão dos algoritmos é incrivelmente promissora, e os aplicativos de IA, ML e DL podem fornecer suporte a pacientes em áreas remotas, compartilhando conhecimento especializado e recursos limitados. Para criar sistemas de IA, ML e DL mais confiáveis, imagens multimodais precisam ser integradas^9,10.

Estudos com aplicações de algoritmos em oftalmologia mostraram alta acurácia, sensibilidade e especificidade na detecção de degeneração macular relacionada à idade (DMRI), glaucoma e retinopatia diabética, entre outras^1,9,11. Juntos esses recursos farão prática rotineira, e em breve, no diagnóstico e tratamento da DMRI entre outras patologias que necessitam acompanhamento periódico. Considera-se que AI, ML e DL têm potencial real para revolucionar o rastreamento, o diagnóstico e classificação da detecção precoce quando aplicadas às afecções oftalmológicas.¹ Eles, também, têm o potencial de reconhecer o desenvolvimento, progressão e tratamento, identificando e avaliando novos fatores de risco⁹. No entanto, não existe um padrão-ouro claramente definido desses algoritmos para determinar a presença e a gravidade de qualquer patologia. Portanto, em estudos futuros, definições de doenças mais robustas devem ser usadas para desenvolver e otimizar as metodologias atuais e de dados para análises de IA, ML e DL e melhorar os métodos de aquisição de informações a partir dos resultados aprendidos.

Na oftalmologia, a avaliação precisa e rápida de imagens clínicas não serve apenas para diagnóstico, mas também para indicação de tratamento. No entanto, a repetibilidade, validade, precisão, confiabilidade, sensibilidade, especificidade e estadiamento correto da doença com implementação dos algoritmos baseados em IA, ML e DL na prática clínica são muito importantes. Por esta razão, o desenvolvimento de algoritmos é fundamental para auxiliar na análise de imagens. À medida que a IA se torna mais sofisticada, pode haver muitos desafios éticos pela frente, incluindo transparência, preconceito, valores humanos, proteção de dados e propriedade intelectual, deslocamento social, segurança cibernética, tomada de decisões, responsabilidade, questões legais e regulatórias.

Estudos são necessários para elucidar a aplicabilidade e validade dos algoritmos no ambiente clínico da oftalmologia e para elucidar se o uso dos algoritmos podem resultar em melhores cuidados e resultados comparáveis ​​à avaliação oftalmológica atual. A avaliação das imagens em muitos ambientes oftalmológicos, por especialistas, pode ser demorada com interpretação variável, repetibilidade e variação da concordância entre observadores distintos. Os algoritmos de computador podem fazer uma avaliação mais objetiva dos distúrbios oftalmológicos. Espera-se que o algoritmo de aprendizado profundo (DL) seja uma aplicação rotineira e que venha a auxiliar na interpretação e na prática de cuidados da saúde oftalmológica. A implementação de IA, ML e DL revolucionarão o diagnóstico e tratamento de doenças e terão um impacto clínico significativo no sistema de saúde. Os sistemas inteligentes adotados em alguns estudos oftalmológicos clínicos específicos e as questões éticas, regulatórias e legais são abordadas de forma a buscar a implementação do algoritmo como ferramenta enriquecedora na avaliação do paciente.

As tecnologias automatizadas de imagem podem reduzir potencialmente as barreiras ao acesso ao sistema de saúde e à triagem de saúde, portanto, podem ajudar a reduzir globalmente o tempo para diagnóstico e conduta, e proporcionando melhor saúde ocular em geral. As tecnologias quando implementadas adequadamente e assessoradas pelo especialista tem um imenso impacto favorável na oftalmologia, nos processos de tomada de decisão.

REFERÊNCIAS

1. Balyen L, Peto T. Promising artificial intelligence-machine learning-deep learning algorithms in ophthalmology. Asia Pac J Ophthalmol (Phila). 2019;8(3):264-72.

2. Faceli K, Lorena AC, Gama J, Carvalho ACPdLFd. Inteligência artificial: uma abordagem de aprendizado de máquina. Ed. LTC, 2ª edição. 2011.

3. Lu W, Tong Y, Yu Y, Xing Y, Chen C, Shen Y. Applications of artificial intelligence in ophthalmology: general overview. J Ophthalmol. 2018 Nov 19;2018:5278196.

4. Goodfellow I, Bengio Y, Courville A. Deep learning. MIT press; 2016.

5. Selvaraju RR, Cogswell M, Das A, Vedantam R, Parikh D, Batra D. Grad-cam: Visual explanations from deep networks via gradient-based localization. In: 2017 IEEE International Conference on Computer Vision (ICCV), 2017:618-626.

6. Goldberg JE, Rosenkrantz AB. Artificial intelligence and radiology: a social media perspective. Current problems in diagnostic radiology. Curr Probl Diagn Radiol. 2019;48(4):308-311.

7. Shiihara H, Sakamoto T, Terasaki H, Kakiuchi N, Shinohara Y, Tomita M, et al. Running pattern of choroidal vessel in en face OCT images determined by machine learning–based quantitative method. Graefes Arch Clin Exp Ophthalmol. 2019;257(9):1879-87.

8. Uji A, Balasubramanian S, Lei J, Baghdasaryan E, Al-Sheikh M, Sadda SR. Choriocapillaris imaging using multiple en face optical coherence tomography angiography image averaging. JAMA Ophthalmol. 2017;135(11):1197-1204.

9. Anegondi N, Gao SS, Steffen V, Spaide RF, Sadda SR, Holz FG, et al. Deep Learning to Predict Geographic Atrophy Area and Growth Rate from Multi-modal Imaging. Ophthalmol Retina. 2022 Aug 28.S2468-6530(22)00426-2.

10. Lebedev G, Meshcheryakova A, Kurenkov V, Kluganov V, Sologubov A, Logacheva N, et al. Application of artificial intelligence methods to recognize pathologies on photographs of fundus. Procedia Computer Science. 2020;176:1823-1828.

11. Ferrara D, Silver RE, Louzada RN, Novais EA, Collins GK, Seddon JM. Optical coherence tomography features preceding the onset of advanced age-related macular degeneration. Invest Ophthalmol Vis Sci. 2017;58(9):3519-3529.

INFORMAÇÃO DOS AUTORES

»Ricardo Noguera Louzada
https://orcid.org/0000-0002-9610-5768
http://lattes.cnpq.br/5978866539118374

»Ivar Vargas Belizario
https://orcid.org/0000-0001-5970-2283
http://lattes.cnpq.br/7221568202094697

»Agma Juci Machado Traina
https://orcid.org/0000-0003-4929-7258
http://lattes.cnpq.br/5136155977351408

»Milton Ruiz Alves
https://orcid.org/0000-0001-6759-5259
http://lattes.cnpq.br/6210321951145266

Recebido em: 5 de Outubro de 2022.
Aceito em: 12 de Outubro de 2022.