TCC - Automatizando o Diagnóstico de Pneumonia

Prévia do material em texto

24
Automatizando o Diagnóstico de Pneumonia
Giulia Jessyka Da Silva*
Belo Horizonte - MG
2020
		
Resumo
O futuro na área de medicina pode chegar mais cedo que o esperado, onde um paciente pode se consultar através de um sistema de inteligência artificial, antes de ir em um médico. Através dos avanços na área de tecnologia, mais especificamente em Inteligência Artificial, será possível que os dias de diagnóstico incorreto e tratamento de sintomas, ao invés da causa inicial da doença, fiquem no passado. Os dados armazenados nas clínicas e em hospitais, imagens médicas por exemplo, permitem mais aplicações de Inteligência Artificial, gerando uma Medicina orientada a dados. Essas aplicações estão mudando e continuarão a mudar a maneira como médicos e pesquisadores abordam a solução de problemas.
Palavras-chave: Inteligência Artificial; Medicina.
1. Introdução
A tecnologia aplicada à Medicina evoluiu muito nos últimos anos, possibilitando que computadores realizem diagnósticos de doenças através da inteligência artificial. Este diagnóstico será gerado através de softwares que conseguem aprender e identificar padrões em grandes quantidades de dados (Big Data).
Até o momento, os algoritmos na Medicina mostram muitos benefícios para médicos e pacientes. Apesar que regular esses algoritmos pode ser uma tarefa difícil, já que atualmente não existem regras de aprovação universal. Os desenvolvedores responsáveis pela criação dos algoritmos para usar em Medicina não serão os médicos que tratam os pacientes; portanto, em alguns casos, os desenvolvedores podem precisar aprender mais sobre a área, enquanto os médicos podem precisar aprender sobre as tarefas de um algoritmo específico. Embora a IA tenha ajudado e possa continuar ajudando no diagnóstico e em tarefas clínicas básicas, é difícil imaginar cirurgias cerebrais automatizadas, por exemplo, onde, às vezes, os médicos precisam mudar sua abordagem de forma rápida quando atendem o paciente. Dessa maneira e outras, as possibilidades de IA na Medicina ainda não superam algumas limitações ​​no atendimento ao paciente.
O foco deste artigo será a aplicação da tecnologia para auxílio no diagnóstico de uma doença em específico (Pneumonia), descrevendo primeiramente os conceitos das tecnologias utilizadas, neste caso foram utilizados Deep Learning e RPA, e ao final demonstrando todo o processo prático de automatização do diagnóstico.
2. Pneumonia: Pulmões na corda bamba
Pneumonia é uma infecção que se instala nos pulmões. Basicamente, pneumonia é provocada pela penetração de um agente infeccioso ou irritante (bactérias, vírus, fungos e reações alérgicas) na cavidade pulmonar. Segundo Drauzio Varella (2008, p. 63), “Diferentes do vírus da gripe, que é altamente infectante, os agentes infecciosos da pneumonia não costumam ser transmitidos facilmente”. Na Figura 1 é demonstrado os agentes infecciosos nos pulmões do paciente.
 
Figura 1 – Agentes infecciosos nos pulmões
(Fonte: Medicina Mitos e Verdades – https://www.medicinamitoseverdades.com.br/blog/causas-e-sintomas-da-pneumonia)
 Dentre os sintomas da doença, abaixo temos os principais:
· Febre Alta
· Tosse com secreção
· Dor no tórax
· Mal-estar generalizado
· Falta de ar
O diagnóstico da doença é feito através de exame clínico, auscultação dos pulmões e radiografias do tórax.
O tratamento da Pneumonia requer uso de antibióticos, podendo ocorrer melhora em três ou quatro dias. A internação hospitalar pode ser necessária quando o paciente é idoso, tem febre alta ou apresenta alterações clínicas decorrentes da pneumonia, como por exemplo: dificuldade respiratória caracterizada pela baixa oxigenação do sangue, pois o pulmão está cheio de secreção e não consegue realizar a troca de gases. É muito importante saber que, se não tratada, a pneumonia pode evoluir para um quadro mais grave, causando até a morte.
De acordo com Drauzio Varella (2008, p. 01)
Alguns tipos de pneumonia, como as causadas por vírus, são mais facilmente transmitidas de uma pessoa para outra. Já no caso das bacterianas, que são as mais comuns, a transmissão é mais difícil, mas também pode ocorrer, dependendo principalmente do estado de vulnerabilidade de cada pessoa.
3. Conhecendo Inteligência Artificial (IA)
A inteligência artificial é um ramo de pesquisa da ciência da computação que busca, através de símbolos computacionais, construir mecanismos e/ou dispositivos que simulem a capacidade do ser humano de resolver problemas, ou seja, nossa capacidade de ser inteligente. O estudo e desenvolvimento desse ramo de pesquisa tiveram início na Segunda Guerra Mundial, mas só se popularizou nos últimos anos graças aos crescentes volumes de dados disponíveis, algoritmos avançados, e melhorias no poder e no armazenamento computacional. Segundo o Brasil Escola (2013, p. 01), “O estudo da A.I. iniciou-se nos anos 50 com os cientistas Hebert Simon, Allen Newell, esses foram os pioneiros ao criarem o primeiro laboratório de inteligência artificial na Universidade de Carnegie Mellon”.
Da mesma forma que as pessoas aprendem durantes anos para se tornarem médicos, realizando tarefas e exames, recebendo notas e aprendendo com os próprios erros, os algoritmos de IA também devem aprender a fazer o seu trabalho. Geralmente, os trabalhos que os algoritmos de IA podem realizar são tarefas que exigem inteligência humana, como reconhecimento de padrões e fala, análise de imagem e tomada de decisão. Em resumo, os algoritmos de IA são ótimos para automatizar tarefas difíceis e, às vezes, superam os humanos nas tarefas para as quais eles são treinados.
Para se ter um algoritmo de IA eficaz, os sistemas de computador são alimentados primeiro com dados que normalmente são estruturados (são informações em formato padronizado, também chamados de Labels). Depois que o algoritmo é exposto a um número de dados suficiente, o desempenho é analisado para garantir a acurácia. Essa análise geralmente envolve a entrada de dados de teste para os quais os Cientistas de Dados (responsável por criar os algoritmos de Machine Learning e Deep Learning) já sabem as respostas, permitindo que a capacidade dos algoritmos de determinar a resposta correta seja avaliada. Com base nos resultados gerados pelos testes realizados, o algoritmo pode ser modificado, alimentado com mais dados ou implementado para ajudar a tomar decisões.
Segundo Bernard Marr (2018, p. 01), há cinco avanços da IA na Medicina que parecem ter o maior potencial, são eles: “Cirurgia Robótica Assistida por IA, Auxiliares Virtuais de Enfermagem, Auxílio ao Julgamento ou Diagnóstico Clínico, Fluxo de trabalho e Tarefas Administrativas e Análise de Imagens Médicas”.
4. Conhecendo RPA (Robotic Process Automation)
RPA é aplicação de tecnologia, orientada pela inteligência de negócios e dados estruturados, com foco em automatizar os processos de negócios. Usando ferramentas de RPA, uma empresa pode configurar um software, ou como é chamado atualmente, um “robô”, para capturar e interpretar aplicativos para processar uma transação, manipular dados, disparar respostas e se comunicar com outros sistemas digitais. Os contextos nos quais RPA pode ser implementado variam muito, de algo simples quanto enviar uma resposta automática a um e-mail até implantar milhares de bots (robôs), cada um programado para automatizar determinadas tarefas em um sistema.
Cada vez mais o número de empresas interessadas em Automação Robótica de Processos aumenta, para que assim consigam agilizar as operações da empresa e reduzir custos. Com RPA, as empresas podem automatizar os processos de negócios com base em regras, permitindo que os usuários dediquem mais tempo para atender os clientes ou outras atividades que possuam o mesmo valor. Outros veem RPA como o caminho para a automação inteligente via ferramentas de aprendizado de máquina (Machine Learning), aprendizagem profunda (Deep Learning) e inteligência artificial (IA), que podem ser treinadas para fazer julgamentos sobre resultados futuros.
Assim, diversos processos da empresapodem ser e são otimizados e a mão de obra humana em tarefas repetitivas é drasticamente reduzida. O resultado após automatização é: os funcionários utilizam seu intelectual em atividades que exigem criatividade, ou seja, inteligência humana. Segundo Sirisha Damarapati (2019, p. 01)
A automação de muitos desses processos, como mostrado à direita, abaixo, liberará o agente para fazer um serviço de suporte de maior valor. Como resultado, ele será um funcionário muito mais eficaz tanto pela satisfação do cliente quanto pela perspectiva de resultados.
Dentro da área de automação robótica, existem dois níveis: automação assistida e automação não assistida. Na automação assistida, existe a necessidade de intervenção humana, diferente da automação não assistida, que essa intervenção não é necessária. Segundo Sirisha Damarapati (2019, p. 01)
A automação assistida é implantada na área de trabalho dos trabalhadores e aumenta a produtividade do trabalhador, enquanto a automação não assistida é implantada remotamente e tem melhor escalabilidade. Em um exemplo de call center, o agente de atendimento ao cliente é a "unidade de processamento central", conforme mostrado à esquerda no diagrama abaixo. Todos os processos devem passar por essa pessoa, que pode se tornar um gargalo. (Alguns chamam esse processo, de forma eufemística, de "interface de cadeira giratória".)
RPA mudará a forma como uma empresa interage com a tecnologia. A Figura 2 abaixo mostra quais são as áreas relevantes para implementação de RPA.
Figura 2 – Processos que são relevantes para RPA
(Fonte: Uipath – https://www.uipath.com/rpa/robotic-process-automation)
Muito importante para a definição do que é RPA, é a compreensão de que tipo de tarefa o software está automatizando, que neste caso são tarefas repetitivas que não são alteradas, exceto em casos muito raros. Este é o ponto principal da diferença entre RPA (Robotic Process Automation) e IA (Inteligência Artificial). Ao invés de ter um funcionário realizando o acesso a um sistema, sempre clicando nos mesmos botões para realizar uma tarefa como inserção de dados para folha de pagamento por exemplo, um software de RPA é muito capaz de realizar esta tarefa com facilidade.
Segundo a Equipe DSA (2019, p. 01), “RPA ainda não é capaz de aprender e se adaptar a muitas novas situações, da mesma forma que a IA e a aprendizagem de máquina, a menos que o sistema RPA seja parte da IA.”
5. Automatizando Diagnóstico de Pneumonia com IA e RPA
Para automatização do diagnóstico, primeiramente foi necessário baixar uma base de imagens de Raio X, disponíveis na plataforma Kaggle. Através destes dados, foi possível treinar o modelo de Deep Learning, já que tínhamos imagens com os labels Normal e Pneumonia, como é mostrado na Figura 3.
Figura 3 – Imagens Médicas com Labels de Pneumonia
(fonte: Kaggle – https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia)
Para a criação do modelo de Deep Learning, foi utilizado a Linguagem Python 3.7, e para automatização do processo, foi utilizado a ferramenta de RPA da empresa UiPath, líder no segmento.
Na Figura 4, todo o fluxograma criado dentro da ferramenta de RPA é demonstrado.
Figura 4 – Fluxograma criado na Ferramenta Uipath
Fonte: Própria (2020)
Os primeiros passos realizados na execução do fluxo é a abertura do ambiente Python, através da plataforma Anaconda, execução do script Python e solicitação ao usuário para seleção de uma imagem, conforme Figura 5.
Figura 5 – Execução do Script Python e solicitação de imagem ao Usuário
Fonte: Própria (2020)
Após selecionar a imagem, ela é carregada ao modelo (Figura 6).
Figura 6 – Agradecendo ao usuário pela seleção da imagem e execução do diagnóstico
Fonte: Própria (2020)
E assim é questionado ao usuário se ele deseja mostrar o resultado o diagnóstico na tela (Figura 7).
Figura 7 – Questionando ao usuário se o mesmo deseja mostrar o resultado do diagnóstico
Fonte: Própria (2020)
Clicando em Sim, o cmd será aberto e a imagem carregada através dele, conforme Figura 8.
Figura 8 – Carregando a imagem selecionada pelo usuário através do CMD
Fonte: Própria (2020)
O processo final será a abertura da imagem e apresentação de mensagem com o resultado da predição. Neste caso, a mensagem informou que o paciente tem Pneumonia, com acurácia de 95,2% (Figura 9).
Figura 9 – Carregando o resultado do diagnóstico na tela, junto com a imagem no fundo
Fonte: Própria (2020)
Clicando em Ok, será questionado ao usuário se ele deseja validar outra imagem. Caso ele clique em Sim, todo o processo será reiniciado. Clicando em Não, todos os programas abertos serão fechados e a execução será finalizada, conforme Figura 10.
Figura 10 – Questionando se o usuário deseja validar outra imagem
Fonte: Própria (2020)
A cada validação de imagem, será salvo em uma pasta, que foi configurada no script python, um arquivo .csv com todos os resultados gerados, conforme Figura 11.
Figura 11 – Log gerado em arquivo .csv e aberto mostrando todos os resultados gerados
Fonte: Própria (2020)
O resultado da última imagem validada será salvo em um arquivo .txt, conforme Figura 12.
Figura 12 – Último resultado salvo e aberto em um arquivo .txt
Fonte: Própria (2020)
6. Análise dos Resultados
Abaixo temos a análise de resultados do modelo de Deep Learning utilizado nesta pesquisa.
· Acurácia: 90%
· Falso positivo: 2%
· Falso negativo: 42%
· Precisão: 80%
Através das métricas acima demonstradas, é possível visualizar que o modelo ainda possui muitas melhorias a serem implementadas, já que gerou vários diagnósticos incorretos, quando comparado com as imagens (imagens com os labels de Normal e Pneumonia já definidos) utilizadas no processo de teste.
7. Conclusão
Através desta pesquisa foi possível visualizar o potencial da inteligência artificial no mundo, principalmente na área de Medicina. Mas embora alguns algoritmos possam competir e, às vezes, superar os médicos em uma variedade de tarefas, eles ainda precisam ser totalmente integrados à prática médica do dia-a-dia, pois existem inúmeras preocupações regulatórias que precisam ser abordadas primeiro, como foi descrito no tópico de Introdução deste artigo.
É importante frisar que nenhuma tecnologia faz mágica e precisamos entender quais são os limites da mesma. A principal limitação da IA é que ela aprende com os dados. Não há outra maneira de acrescentar conhecimento a ela. Isso significa que existindo qualquer imprecisão nos dados, esta imprecisão se refletirá nos resultados obtidos. Cabe ao ser humano, utilizar a tecnologia ao nosso favor, gerando assim crescimento e solução de problemas.
Referências
Data Science Academy. INTELIGÊNCIA ARTIFICIAL EM MEDICINA: APLICAÇÕES, IMPLICAÇÕES E LIMITAÇÕES. 2019. Disponível em: 
<http://datascienceacademy.com.br/blog/inteligencia-artificial-em-medicina-aplicacoes-implicacoes-e-limitacoes/>. Acesso em: 02 fevereiro de 2020.
Data Science Academy. 7 PRINCIPAIS FERRAMENTAS DE AUTOMAÇÃO ROBÓTICA DE PROCESSOS (RPA). 2019. Disponível em: 
<http://datascienceacademy.com.br/blog/7-principais-ferramentas-de-automacao-robotica-de-processos-rpa/>. Acesso em: 04 fevereiro de 2020.
Biblioteca virtual em saúde. Pneumonia. 2011. Disponível em: 
<http://bvsms.saude.gov.br/bvs/dicas/233_pneumonia.html>. Acesso em: 07 fevereiro de 2020.
Drauzio Varella. Pneumonia. Disponível em:
<https://drauziovarella.uol.com.br/doencas-e-sintomas/pneumonia/>. Acesso em: 12 fevereiro de 2020.
Data Science Academy. O QUE É AUTOMAÇÃO ROBÓTICA DE PROCESSOS (RPA)?. 2019. Disponível em:<http://datascienceacademy.com.br/blog/o-que-e-automacao-robotica-de-processos-rpa/>. Acesso em: 15 fevereiro de 2020.
Uipath. What is Robotic Process Automation?. 2018. Disponível em: <https://www.uipath.com/rpa/robotic-process-automation>. Acesso em: 17 fevereiro de 2020.
BOULTON, Clinton. What is RPA? A revolution in business process automation. CIO, 2018. Disponível em: <https://www.cio.com/article/3236451/what-is-rpa-robotic-process-automation-explained.html>. Acesso em: 19 fevereiro de2020.
LEONELA, Carla. Causas e sintomas da pneumonia. Medicina Mitos & Verdades, 2018. Disponível em: <https://www.medicinamitoseverdades.com.br/blog/causas-e-sintomas-da-pneumonia>. Acesso em: 21 fevereiro de 2020.
MARR, Bernard. How Is AI Used In Healthcare - 5 Powerful Real-World Examples That Show The Latest Advances. Forbes, 2018. Disponível em: 
<https://www.forbes.com/sites/bernardmarr/2018/07/27/how-is-ai-used-in-healthcare-5-powerful-real-world-examples-that-show-the-latest-advances/#4525f68e5dfb>. Acesso em: 23 fevereiro de 2020.
OLIVEIRA, Wallace. Entenda o que é RPA (Robotic Process Automation) e como implantar em sua empresa. Heflo, 2018. Disponível em: <https://www.heflo.com/pt-br/automacao-processos/rpa-robotic-process-automation/>. Acesso em: 25 fevereiro de 2020.
SANTOS, Marco Aurélio da Silva. Inteligência Artificial; Brasil Escola. Disponível em:<https://brasilescola.uol.com.br/informatica/inteligencia-artificial.htm>. Acesso em: 27 fevereiro de 2020.
DAMARAPATI, Sirisha. Automação assistida: o que é e por que é necessária?; Automation Anywhere, 2019. Disponível em:
< https://www.automationanywhere.com/br/blog/software-robots-in-the-workplace/attended-automation-what-is-it-and-why-do-i-need-it>. Acesso em: 28 fevereiro de 2020.
TD, Equipe. Entenda o que é RPA (Robotic Process Automation) enquanto é tempo; Transformação Digital, 2018. Disponível em: <https://transformacaodigital.com/tecnologia/entenda-o-que-e-rpa-robotic-process-automation-enquanto-e-tempo/>. Acesso em: 29 fevereiro de 2020.
	* Pós-Graduação em Ciência de Dados e Big Data Analytics - Universidade Estácio de Sá.
Graduada em Sistemas de Informação. E-mail giuliajessyka@hotmail.com.