Baixe o app para aproveitar ainda mais
Prévia do material em texto
AMDM I INSTITUTO SUPERIOR DE TRANSPORTES E COMUNICAÇÕES APRENDIZADO DE MÁQUINA PARA DIAGNÓSTICO MÉDICO Raimundo da Graça Cassimo Molide Projecto Final do Disciplina Licenciatura em Engenharia Informática e Telecomunicações Departamento de Tecnologias de Informação e Comunicação Nampula, Julho de 2020 AMDM II INSTITUTO SUPERIOR DE TRANSPORTES E COMUNICAÇÕES APRENDIZADO DE MÁQUINA PARA DIAGNÓSTICO MÉDICO - AMDM Raimundo da Graça Cassimo Molide Projecto Final do Disciplina Licenciatura em Engenharia Informática e Telecomunicações Departamento de Tecnologias de Informação e Comunicação Nampula, Julho de 2020 AMDM III N ã o é p o s s ív e l q u e o t e x to a a p r e s e n ta r s e e s te n d a p o r m a is d e u m a l in h a ! A P R E N D IZ A D O D E M Á Q U IN A P A R A D IA G N Ó S T IC O M É D IC O R A IM U N D O M O L ID E AMDM IV ÍNDICE AGRADECIMENTOS .............................................................................................................. V DEDICATÓRIA ....................................................................................................................... VI DECLARAÇÃO DE HONRA ............................................................................................... VII RESUMO .............................................................................................................................. VIII CAPÍTULO 1 INTRODUÇÃO .................................................................................................. 1 1.1 Introdução ........................................................................................................... 1 1.2 Problemática ............................................................ Erro! Marcador não definido. 1.3 Problema ................................................................................................................... 1 1.4 Objecto ..................................................................................................................... 1 1.5 Objectivo .................................................................................................................. 2 1.6 Hipótese/proposições ................................................................................................ 2 1.7 Perguntas da investigação ......................................................................................... 2 1.8 A importância ou razões que motivam o estudo: ..................................................... 2 1.9 Estrutura do trabalho ................................................................................................ 3 CAPÍTULO 2 REVISÃO DE LITERATURA ........................................................................... 4 2.1 Conceitos básicos ..................................................................................................... 4 2.1.1 Inteligência Artificial (IA) ..................................................................................... 4 2.1.3 Aprendizagem maquina (ML) ............................................................................... 4 2.1.3 Aprendizagem profunda (DL) ............................................................................... 4 2.1.4 Aprendizado supervisionado ................................................................................. 4 2.1.5 Aprendizado não supervisionado .......................................................................... 5 CAPÍTULO 3 CONTEXTUALIZAÇÃO DA INVESTIGAÇÃO ............................................. 6 3.1 Requisitos específicos para sistemas de aprendizado de máquina ........................... 6 3.1.2 Boa performance.................................................................................................... 6 3.1.3 Lidando com dados ausentes ................................................................................. 6 3.1.4 Lidando com dados ruidosos ................................................................................ 6 3.1.4 Transparência do conhecimento diagnóstico ......................................................... 7 3.1.5 Capacidade de explicação ...................................................................................... 7 3.1.6 Redução do número de testes ................................................................................ 7 CAPÍTULO 4 ANÁLISE E DISCUSSÃO DOS RESULTADOS ............................................. 8 4.1 ANÁLISE E DISCUSSÃO DOS RESULTADOS ................................................ 8 CAPÍTULO 5 CONCLUSÕES ................................................................................................ 10 5.1 Conclusões .............................................................................................................. 10 6. REFERÊNCIAS BIBLIOGRÁFICAS ................................................................................. 11 AMDM V AGRADECIMENTOS Primeiro quero agradecer a Deus pelo dom da vida, por ter me iluminado e por estar sempre comigo e ter me amparado ate nos momentos mais difíceis deste percurso. Agradecer aos meus pais (Luciano Molide Cunli e Irene Fernanda Cassimo), por terem sacrificado os seus projectos pessoais para fazer este curso com sucesso. A minha irmã Nureicha de Lurdes Molide, vai o meu muito obrigado pela sua ajuda na organização e por trocado as suas noites de sono para que pudesse me ajudar. Ao meu irmão Abrantes Lutéro Molide que esteve presente em todos os momentos, desde a busca de material até a conclusão do trabalho. Agradeço o senhor Arao Manhique, o supervisor deste trabalho, pela paciência e confiança que teve, assim como, pelas suas valiosas contribuições no aprimoramento do presente trabalho. Os agradecimentos são extensivos aos meus colegas de turma e aos demais que transmitiram o seu conhecimento com muita paciência e dedicação que sobre alguns aspectos acompanharam todo o meu percurso e que directa ou indirectamente, contribuíram para este meu sucesso. Para terminar, e porque não seria justo não mencionar personalidades que prestaram apoio moral, endereço também os meus agradecimentos a todos meus amigos, igualmente estudantes da mesma instituição, juntamente com docentes que directamente nos assistiam, deram um valioso contributo para a melhoria do presente trabalho. AMDM VI DEDICATÓRIA Aos meus pais, Luciano Molide Cunli e Irene Fernanda L. M. Cassimo, Aos meus irmãos, NUREICHA MOLIDE, e ABRANTES MOLIDE, com quem aprendi e aprendo a ser cada vez melhor A minha tia, Carmen Cassimo (falecida), que muito me ajudou para atingir esta meta, E aos meus amigos que sempre estiveram presentes directa ou indirectamente contribuindo para o meu sucesso. A todos dedico este trabalho. AMDM VII DECLARAÇÃO DE HONRA Eu, Raimundo Molide declaro por minha honra que o presente Projecto Final da Disciplina é exclusivamente de minha autoria, não constituindo cópia de nenhum trabalho realizado anteriormente e as fontes usadas para a realização do trabalho encontram-se referidas na bibliografia. AMDM VIII RESUMO A tecnologia está presente e desenvolve-se na velocidade da luz e esta presente em varias áreas do conhecimento e uma delas é a medicina. Este trabalho apresenta a proposta deaprendizagem maquina para diagnósticos. Com a utilização desta ferramenta “aprendizagem de maquina” melhores decisões podem ser tomadas e detectar varias doenças com precisão e antes de elas estarem em estagio avançado, bem como melhorar o tempo de resposta das consultas quando comparado com o diagnostico humano que de alguma maneira sofre influencias por factores externos que podem ter um grande impacto no diagnostico do paciente. PALAVRAS CHAVE: Aprendizagem de maquina, inteligência artificial, aprendizagem profunda. AMDM 1 CAPÍTULO 1 INTRODUÇÃO 1.1 Introdução O hospital pode ser definido como uma unidade prestadora de cuidados de saúde. Quando um paciente se desloca pela primeira para um hospital, é atribuído um processo clinico e de seguida é submetido a uma consulta. Posteriormente os resultados dessa consulta são anexados ao processo clinico e armazenados na base de dados do hospital. Durante a consulta, em alguns casos, os médicos cometem alguns equívocos na conclusão após a anamnese e estes levam os pacientes a fazerem tratamento indevido para a sua doença. Em praticamente todos os sectores sociais a aplicação de Tecnologias de Informação e Comunicação (TIC’s) têm reflectido grandes sucessos sobretudo no que diz respeito a qualidade de atendimento ao cidadão, eficiência na resposta e ao uso inteligente de informação disponível. Portanto, o projecto em curso focar-se a em busca de soluções suficientes para agregar as ferramentas fornecidas pelas TIC’s em forma de contribuir no auxilio aos profissionais de saúde na tomada de decisão. 1.2 problemática Actualmente as consultas são feitas de uma forma interactiva entre o paciente e o medico. Durante a consulta o paciente indica os sintomas que tem e o medico é que dá a conclusão do diagnostico e de qualquer modo este profissional ainda pode sofrer uma ma influencia. 1.3 Problema No mundo existem vários diagnósticos que de alguma forma são errados devido a similaridades dos sintomas provocando assim um equivoco médico e também consumindo bastante tempo, e a partir deste ponto surge a questão: como melhorar a performance dos diagnósticos? 1.4 Objecto O objecto de estudo é a aprendizagem maquina para diagnósticos médicos. AMDM 2 1.5 Objectivo Geral: Melhorar a performance dos diagnósticos médicos através de aprendizagem maquina. Especificos Identificar requisitos específicos para sistemas de aprendizado de máquina Definir boa performance Lidar com dados ausentes Lidar com dados ruidosos Transparência do conhecimento diagnóstico Capacidade de explicação Redução do número de testes 1.6 Hipótese/proposições Utilizar sistemas inteligentes supervisionados para efectuar os diagnósticos médicos. Utilizar sistemas inteligentes não supervisionados para efectuar os diagnósticos médicos. Utilização de sistemas inteligentes mistos para efectuar os diagnósticos médicos. 1.7 Perguntas da investigação Querendo melhorar a performance dos diagnósticos médicos é feita a seguinte questão: Como evitar equívocos médicos e como minimizar o tempo de um diagnostico? 1.8 A importância ou razões que motivam o estudo: O presente estudo serve para melhorar a performance dos diagnósticos. A implementação deste estudo ajudaria a reduzir o tempo de uma consulta medica bem como daria resultados AMDM 3 mais precisos. Isto resolveria os casos em que os médicos cometem alguns equívocos devido o seu estado actual na consulta ou ainda a semelhança dos sintomas dos pacientes. Com este estudo espero que seja capaz de criar um programa capaz de auxiliar os profissionais de saúde durante a consulta dos seus pacientes. 1.9 Estrutura do trabalho O presente relatório está estruturado em 6 (seis) capítulos: CAPÍTULO 1 INTRODUÇÃO CAPÍTULO 2 REVISÃO DE LITERATURA CAPÍTULO 3 CONTEXTUALIZAÇÃO DA INVESTIGAÇÃO CAPÍTULO 4 ANÁLISE E DISCUSSÃO DOS RESULTADOS CAPÍTULO 5 CONCLUSÕES CAPÍTULO 6 BIBLIOGRÁFIA AMDM 4 CAPÍTULO 2 REVISÃO DE LITERATURA 2.1 Conceitos básicos 2.1.1 Inteligência Artificial (IA) (Panch, Szolovits, and Atun 2018) uma ampla disciplina científica, com raízes na filosofia, matemática e ciência da computação, que visa entender e desenvolver sistemas que exibem propriedades da inteligência. 2.1.3 Aprendizagem maquina (ML) (Santos 2018) uma subdisciplina da IA, em que programas de computador (algoritmos) aprendem associações de poder preditivo de amplos dados. O aprendizado de máquina é simplesmente a aplicação de modelos estatísticos aos dados usando computadores. O aprendizado de máquina usa um conjunto mais amplo de técnicas estatísticas baseados em probabilidades. 2.1.3 Aprendizagem profunda (DL) (Shannon et al. 2018) Os métodos de aprendizado profundo permitem que uma máquina seja alimentada com grandes quantidades de dados brutos e descubra a representação sentenças necessárias para a detecção ou classificação. Os métodos de aprendizado profundo contam com várias camadas de representação dados com transformações sucessivas que amplificam aspectos da entrada importantes para a discriminação e suprimir variações irrelevantes. O aprendizado profundo pode ser supervisionado ou não supervisionado. Os métodos de aprendizado foram responsáveis por muitos dos recentes avanços fundamentais no aprendizado de máquina. 2.1.4 Aprendizado supervisionado (Ashfaq 2019) Treinamento de programas de computador para aprender associações entre entradas e saídas de dados através da análise de interesses definidos por um supervisor (tipicamente humano). Uma vez que as associações foram aprendidas com base em dados, eles podem ser usados para prever exemplos futuros. Essa é uma das áreas mais estabelecidas de aprendizado de máquina com vários exemplos dentro e fora da assistência médica. AMDM 5 2.1.5 Aprendizado não supervisionado (Ashfaq 2019) Programas de computador que aprendem associações em dados sem definição externa de associações de interesse. O aprendizado não supervisionado é capaz de identificar preditores não descobertos anteriormente, em vez de simplesmente confiar em associações conhecidas. AMDM 6 CAPÍTULO 3 CONTEXTUALIZAÇÃO DA INVESTIGAÇÃO 3.1 Requisitos específicos para sistemas de aprendizado de máquina Para que um sistema de aprendizado de máquina (ML) seja útil na resolução de tarefas de diagnóstico médico, os seguintes recursos são desejados: bom desempenho, capacidade de lidar adequadamente com dados ausentes e com dados ruidosos (erros nos dados), a transparência do conhecimento diagnóstico, a capacidade de explicar decisões e a capacidade do algoritmo de reduzir o número de testes necessários para obter um diagnóstico confiável. (Miki Takakura et al. 2018) 3.1.2 Boa performance O algoritmo deve ser capaz de extrair informações significativas dos dados disponíveis. A precisão do diagnóstico em novos casos deve ser a mais alta possível. Normalmente, a maioria dos algoritmos desempenham pelo menos tão bem quanto os médicos, e geralmente a precisão da classificação classificadores de máquinas é melhor do que o dos médicos ao usar a mesma descrição de os pacientes. (Bertozzo 2019) Portanto, se existe a possibilidade de medir a precisão dos médicos, seu desempenho pode ser usado como o limite inferior da precisão exigida de um sistema ML no problema dado. 3.1.3. Lidando com dados ausentes No diagnóstico médico, muitas vezes a descrição dos pacientes nos prontuários não tem certos dados. Os algoritmos de ML devem ser capazes de lidar adequadamente com essas informações incompletas descrições de pacientes. 3.1.4. Lidando com dados ruidosos Os dados médicos geralmente sofrem com incertezas e erros. Portanto, aprendizado de máquina os algoritmos apropriados para aplicações médicas precisamter meios efectivos para lidar dados barulhentos. AMDM 7 3.1.4 Transparência do conhecimento diagnóstico O conhecimento gerado e a explicação das decisões devem ser transparentes para o médico. Ela deve ser capaz de analisar e entender o conhecimento gerado. Idealmente, o conhecimento gerado automaticamente fornecerá ao médico um novo ponto de vista sobre o problema apresentado, e pode revelar novas inter-relações e regularidades que os médicos não viram antes de forma explícita. 3.1.5 Capacidade de explicação O sistema deve ser capaz de explicar as decisões ao diagnosticar novos pacientes. Quando enfrentou com uma solução inesperada para um novo problema, o médico precisará de mais explicação, caso contrário, ela não considerará seriamente as sugestões do sistema. (Filho et al. 2017) A única possibilidade de os médicos aceitarem um classificador de caixa preta está na situação em que tal classificador supera por uma margem muito grande todos os outros classificadores, incluindo os médicos sem termos da precisão da classificação. No entanto, essa situação é tipicamente altamente improvável. 3.1.6 Redução do número de testes Na prática médica, a colecta de dados do paciente costuma ser cara, demorada, e prejudicial para os pacientes. Portanto, é desejável ter um classificador capaz de diagnosticar de forma confiável com uma pequena quantidade de dados sobre os pacientes.(Silva 2019) Isso pode ser verificado por fornecer a todos os algoritmos candidatos uma quantidade limitada de dados. No entanto, o processo de determinar o subconjunto correcto de dados pode ser demorado, pois é essencialmente um problema combinatório. Alguns sistemas de ML são capazes de seleccionar um subconjunto de atributos, ou seja, a selecção é feita durante o processo de aprendizagem e pode ser mais apropriado do que outros que não possuem esse recurso. AMDM 8 CAPÍTULO 4 ANÁLISE E DISCUSSÃO DOS RESULTADOS 4.1 ANÁLISE E DISCUSSÃO DOS RESULTADOS Os conceitos apresentados de aprendizagem de maquina visão demostrar que esta tecnologia pode ser bastante útil nos diagnósticos médicos, e devido a grande capacidade de processamento de dados dos computadores melhorar o tempo das consultas. Esta aprendizagem de maquina deve obedecer alguns requisitos tais como bom desempenho, capacidade de lidar adequadamente com dados ausentes e com dados ruidosos (erros nos dados), a transparência do conhecimento diagnóstico, a capacidade de explicar decisões e a capacidade do algoritmo de reduzir o número de testes necessários Para melhorar a resposta aos diagnósticos utilizando a aprendizagem maquina pode-se utilizar a aprendizagem supervisionada se desejar supervisionar o processo e aprendizagem não supervisionada se não se desejar um supervisor no processo. No uso de aprendizagem não supervisionada existe a possibilidade de previsão de problemas/consequências futuras. Estas tecnologias baseiam-se em técnicas estatísticas para a tomada de decisão. Podemos ainda implementas sistemas mistos, com capacidades de decisão autónomas e simultaneamente pode receber instruções humanas para a tomada de decisão. Mas estes exigir por mais recursos computacionais da maquina. AMDM 9 Figura 1: Exemplos de aplicativos de IA em diferentes estágios da crise do COVID-19 (Fonte: OCEG) AMDM 10 CAPÍTULO 5 CONCLUSÕES 5.1 Conclusões Em jeito de epilogo, a aprendizagem maquina para diagnostico medico pode ser bastante útil, utilizando bons algoritmos é capaz de reduzir os equívocos durante o processo e reduzir o tempo de consulta podendo se detectar doenças num estagio menos avançado com maior precisão, devido a rápida busca de resultados já existentes e ainda capaz de predizer aspectos relacionados depois de receberem uma entrada de dados. Não podemos somente dizer que existe um melhor tipo de sistema inteligente melhor, porque tudo depende do cenário a qual se quer aplicar. Em alguns casos os sistemas inteligentes supervisionados podem ser os melhores e em outros casos os sistemas inteligentes não supervisionados. No caso dos sistemas inteligentes mistos sempre existira vantagem de poder escolher como tomar a decisão porem teremos a desvantagem dos recursos computacionais consumidos. A previsão é inerentemente difícil: a tecnologia modifica seu ambiente e o gera ou oferece novas oportunidades e novas restrições para a tecnologia. Por fim, inteligência de uso geral será possível, pois uma versão dela já existe no cérebro humano. No entanto, uma extrapolação de técnicas para recriar inteligência geral artificialmente parecem improváveis nos próximos 5 a 10 anos. No entanto, o que é imediatamente plausível e, portanto, deve ser planejado, é uma federação de e sistemas de aprendizado de máquina 'direccionados', capazes de resolver problemas essenciais de processamento de informações sistema de saúde, aumentando as capacidades dos tomadores de decisão humanos e, ao fazê-lo, estabelecendo novos padrões de eficácia e eficiência em operações clínicas e de gestão. Essa é uma oportunidade significativa para a transformação do sistema de saúde como o custo de aumentar as capacidades de tomada de decisão é improvável que o sistema de saúde seja grande. AMDM 11 6. REFERÊNCIAS BIBLIOGRÁFICAS Ashfaq, Awais. 2019. Predicting Clinical Outcomes via Machine Learning on Electronic Health Records. www.hh.se/hup. Bertozzo, Richard Junior. 2019. “Aplicação de Machine Learning Em Dataset de Consultas Médicas Do Sus.” Filho, Eloi Colombo, Jessica Caroline, Alves Nunes, Tiago Pedro, and Santana Junior. 2017. “Detecção Auxiliada Por Computador.” Miki Takakura, Aline, Danillo Roberto Pereira, Francisco Assis da Silva, Mario Augusto Pazoti, Leandro Luiz de Almeida, and Helton Molina Sapia. 2018. “Uso Do Aprendizado De Máquina No Diagnóstico Médico De Patologias.” Colloquium Exactarum 10 (1): 78– 90. https://doi.org/10.5747/ce.2018.v10.n1.e225. Santos, Hellen Geremias dos. 2018. “Comparação Da Performance de Algoritmos de Machine Learning Para a Análise Preditiva Em Saúde Pública e Medicina.” Shannon, Claude Elwood, Thasyia Indira, Somakim Somakim, Ely Susanty, Ulfah Syifa Alamiah, Ekasatya Aldila Afriansyah, Hesti Yunitiara R, et al. 2018. “INTERPRETABLE DEEP LEARNING FOR MODELING ELECTRONIC HEALTH RECORDS.” Mathematics Education Journal 1 (1): 75. https://doi.org/10.29333/aje.2019.423a. Silva, Luciano. 2019. “Análise Epidemiológica : Algoritmos de Aprendizado de Máquina Para Classificação de Doenças.”
Compartilhar