Projecto_III_RaimundoMolide_I41 _2020_AprendizagemDeMaquinaParaDiagnosticoMedico

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.”