O desenvolvimento de um modelo de diagnóstico baseado em IA envolve a combinação de dados e algoritmos capazes de analisar e aprender a partir de grandes volumes de informações, especificamente de imagens de lâminas inteiras. A técnica apresentada no artigo, utilizada pela Owkin, exemplifica como múltiplos modelos se unem para criar soluções diagnósticas cada vez mais precisas.

O processo de aprendizado começa com a conversão das imagens em um formato numérico que captura características essenciais do tecido. Por meio de transformações aleatórias de cada bloco da imagem, o modelo identifica padrões, utilizando aprendizado não supervisionado para aprimorar suas predições. Os dados são extraídos da coleção The Cancer Genome Atlas Colon Adenocarcinoma, gerando um conjunto de 2048 características para cada bloco.

1. Conversão de imagens em blocos para extração de características.

2. Aprendizado não supervisionado para identificação de padrões.

3. Utilização de dados do TCGA para treinamento.

4. Predição com base em características combinadas.

5. Validação do modelo utilizando dados não vistos.

Após a fase de treinamento, o modelo integra as características dos blocos para prever a instabilidade microsatélita em toda a lâmina. A precisão das predições é avaliada por meio de métricas como sensibilidade e especificidade, tornando o processo iterativo, onde ajustes são feitos continuamente para melhorar a eficácia do modelo.

- Modelo deve ser preciso e interpretável. - Uso de heatmaps para interpretação dos resultados. - Discussão sobre a eficácia do threshold na predição.

A capacidade de interpretar os modelos é crucial, pois permite que patologistas compreendam as contribuições das características para as predições. O artigo destaca a validação contínua do modelo ao longo de seu desenvolvimento, enfatizando a importância de revisar e refinar suas capacidades antes de implantação em diagnósticos reais.

Em suma, a construção de modelos de IA para diagnósticos médicos, especialmente na análise de lâminas inteiras, é um campo em rápida evolução que promete melhorar a precisão diagnóstica. A compreensão e interpretação desses modelos são vitais para sua adoção na prática clínica. Para mais informações sobre inovações em saúde e IA, assine nossa newsletter, que traz conteúdos atualizados diariamente.

FONTES:

1. Blog Owkin

2. MSIntuit CRC

3. RlapsRisk BC

4. Saillard et al. 2021

5. The Cancer Genome Atlas