• Saúde

Como “centaur AI” irá remodelar radicalmente o futuro da saúde

• As unidades de processamento gráfico (GPUs) foram fundamentais para o avanço das redes de aprendizado profundo.
• A natureza de “caixa preta” das “redes profundas” – lógica que não podemos compreender totalmente – tem um enorme potencial de diagnóstico, mas limitações críticas.
• Com a saúde, não basta identificar padrões: precisamos entender os mecanismos biológicos.

Extraído de A ERA DO BEM-ESTAR CIENTÍFICO: Por que o futuro da medicina é personalizado, preditivo, rico em dados e está em suas mãos por Leroy Hood e Nathan Price, publicado pela The Belknap Press da Harvard University Press. Copyright © 2023 de Leroy Hood e Nathan Price. Usado com permissão.

Os sistemas de IA já estão transformando a saúde. Essas mudanças se acelerarão nos próximos anos a tal ponto que a IA em breve fará parte de nossa experiência de saúde tanto quanto médicos, enfermeiras, salas de espera e farmácias. Na verdade, não demorará muito para que a IA substitua ou redefiniu praticamente todos eles. Como mostrou a dramática expansão da telessaúde durante a pandemia do COVID-19, quando há necessidade suficiente, os profissionais de saúde podem adotar novas estratégias mais rapidamente do que poderíamos imaginar.

Existem duas abordagens diferentes, mas complementares, para a IA. O primeiro campo considera que, com dados e poder de computação suficientes, podemos derivar modelos complexos para realizar tarefas difíceis - muitas, ou possivelmente todas, das tarefas das quais os humanos são capazes. O campo de dados acredita que tudo o que precisamos são dados e muitos ciclos de computador para resolver problemas. Experiência de domínio na área relevante não é necessária. Quer ter um computador para dirigir um carro? Com dados suficientes, você pode fazer isso. Precisa de um robô para assar um bolo? Os dados o levarão até lá. Deseja ver uma pintura no estilo de Berthe Morisot se materializar diante de seus olhos? Dados e grande poder de computação podem fazer isso.

O segundo campo aposta no conhecimento e se concentra em imitar como os humanos realmente raciocinam, usando conceitualidade, conexão e causalidade. O campo do conhecimento acredita no requisito crítico de conhecimento de domínio, construindo algoritmos para aplicar aproximações do conhecimento humano acumulado para executar a lógica em um padrão de fato por meio do que é comumente chamado de sistemas especialistas. Geralmente, esses cálculos são baseados em regras ou probabilísticos, como, por exemplo, se a HbA1c de um paciente for superior a 6,5% e sua glicose em jejum for superior a 126 mg / dL, há uma grande probabilidade de o paciente ter diabetes.

Hoje, a IA orientada por dados está muito mais desenvolvida do que a IA baseada em conhecimento, pois a complexidade dos sistemas especializados baseados em regras tem sido um impedimento significativo para o dimensionamento. Os sistemas que permitem que carros autônomos operem em nossas estradas são todos baseados em dados. Os algoritmos que as grandes empresas de tecnologia usam para orientar posicionamentos de anúncios, mensagens e recomendações são todos baseados em dados. Como veremos, alguns problemas importantes da biologia também estão sendo resolvidos de maneira brilhante pela IA baseada em dados. Mas em uma área tão complexa quanto a biologia e as doenças humanas, a experiência no domínio pode ser mais importante para nos ajudar a entender as complexas questões de relação sinal-ruído que surgem no big data. De fato, é provável que tenhamos que integrar as abordagens baseadas em dados e baseadas em conhecimento para lidar com a extrema complexidade do corpo humano.

Dados não são nada sem poder de processamento. As estratégias de redes neurais avançaram enormemente graças às demandas dos jogos de computador, que forneceram as forças de mercado que tantas vezes impulsionam a inovação computacional. Os jogadores queriam realismo e capacidade de resposta em tempo real, e cada avanço em direção a esses objetivos por uma empresa alimentava uma corrida armamentista entre outras. Foi nesse ambiente hipercompetitivo que foram desenvolvidas as unidades de processamento gráfico, ou GPUs, para otimizar a manipulação de imagens. Se você já notou como os personagens e ambientes de videogame incrivelmente realistas se tornaram nos últimos anos, está maravilhado com as renderizações hiper-rápidas possibilitadas pelas GPUs.

Esses circuitos eletrônicos especializados não permaneceram no reino dos jogos por muito tempo. Andrew Ng, um líder de IA e professor de cursos on-line amplamente utilizados, foi o primeiro a reconhecer e explorar o poder das GPUs para ajudar as redes neurais a preencher a lacuna entre o que o cérebro humano evoluiu para fazer ao longo de milhões de anos e o que os computadores alcançaram ao longo uma questão de décadas. Ele viu que as representações e manipulações de matriz ultrarrápidas possibilitadas pelas GPUs eram ideais para lidar com as camadas ocultas de entrada, processamento e saída necessárias para criar algoritmos de computador que poderiam melhorar automaticamente à medida que avançavam nos dados. Em outras palavras, as GPUs podem ajudar os computadores a aprender a aprender.

Este foi um grande passo à frente. Pelas estimativas iniciais de Ng, as GPUs poderiam aumentar a velocidade do aprendizado de máquina em cem vezes. Uma vez que isso foi combinado com avanços fundamentais em algoritmos de redes neurais, como retropropagação, liderados por luminares como o psicólogo cognitivo Geoffrey Hinton, chegamos à era do “aprendizagem profunda”.

O que torna o aprendizado profundo tão profundo? Nos primórdios das redes neurais artificiais, as redes eram rasas, muitas vezes contendo apenas uma única “camada oculta” entre os dados de entrada e a previsão gerada. Agora temos a capacidade de usar redes neurais artificiais com dezenas ou até centenas de camadas de profundidade, com cada camada contendo funções não lineares. Combine o suficiente e você poderá representar relações arbitrariamente complexas entre os dados. À medida que o número de camadas aumenta, também aumenta a capacidade dessas redes de discernir padrões e fazer previsões a partir de dados de alta dimensão. Correlacionar e integrar esses recursos mudou o jogo.

Considere o que poderíamos fazer aplicando esse poder de classificação à nuvem de dados pessoais de um indivíduo. Inclui genoma, fenômeno, medidas digitais de saúde, dados clínicos e estado de saúde. Padrões resultantes são reconhecidos como indicativos de transições precoces do bem-estar para a doença e previsões de quais escolhas podem vir com bifurcações na trajetória da doença (por exemplo, se você pode desenvolver ou evitar doença renal crônica ou evitar o avanço do diabetes para recuperar a saúde metabólica em vez de progredir para estágios avançados com úlceras diabéticas e amputações de pé).

O potencial é surpreendente, mas há limitações para essa abordagem. Essas previsões de alta qualidade vêm de funções extremamente complexas, resultando em uma “caixa preta” que leva a uma decisão cuja lógica não conseguimos compreender totalmente. Deep nets são ótimos “analogizadores”. Eles aprendem com o que veem, mas não podem falar sobre algo novo. A IA orientada por dados pode nos ajudar a encontrar funções que se ajustam às tendências dos dados. Ele pode fazer milagres virtuais quando se trata de previsão estatística, com capacidade preditiva precisa e diferenciada. Mas não pode fazer mais do que isso. E esta é uma distinção crítica. Um mundo onde baseamos nossa compreensão e ações apenas na correlação de dados seria um mundo realmente muito estranho.

Que estranho? Bem, se você pedir à IA para lhe dizer como evitar que as pessoas morram de doenças crônicas, é provável que ela lhe diga para matar o paciente. Assassinato, afinal, não é uma doença crônica e, se cometido no início da vida, seria 100% eficaz para garantir que não houvesse morte por doença crônica. Os tipos de opções que são tão ridículas ou imorais que são inconcebíveis para a maioria dos humanos estão sobre a mesa para os computadores porque o ridículo e a imoralidade são conceitos humanos que não são programados em computadores. São necessários programadores humanos – presumivelmente aqueles com decência, compaixão e senso de ética – para escrever linhas de código específicas que limitam as opções da IA. Como Judea Pearl, ganhadora do Prêmio Turing, colocou em The Book of Why, “os dados são profundamente estúpidos”. Os dados do Uberfast são profundamente burros na velocidade da luz.

Por “burro”, Pearl não quis dizer “ruim no que os computadores devem fazer”. Claro que não. Os computadores são fenomenais em computação. O que eles não são tão bons é em qualquer outra coisa. Programe um computador para jogar xadrez e ele pode vencer o maior dos grandes mestres humanos, mas não terá como decidir o melhor uso de seu poder depois que o jogo terminar. E não sabe que o xadrez é um jogo ou que está jogando um jogo.

Isso é algo que Garry Kasparov percebeu logo após sua derrota histórica para o Deep Blue da IBM. Sim, a máquina havia derrotado o homem, mas Kasparov notaria mais tarde que, de sua perspectiva, parecia que muitos entusiastas da IA ​​estavam bastante desapontados. Afinal, há muito eles esperavam que os computadores superassem a competição humana; isso era inevitável. Mas “o Deep Blue dificilmente era o que seus predecessores haviam imaginado décadas antes”, escreveu Kasparov. “Em vez de um computador que pensava e jogava xadrez como um humano, com criatividade e intuição humanas, eles conseguiram um que jogava como uma máquina, avaliando sistematicamente 200 milhões de jogadas possíveis no tabuleiro de xadrez por segundo e vencendo com força bruta de processamento de números. ”

O que aconteceu a seguir teve muito menos destaque, mas foi, para Kasparov, muito mais interessante. Quando ele e outros jogadores não competiam com as máquinas, mas se juntavam a elas, a combinação humano-mais-computador geralmente se mostrava superior ao computador sozinho, principalmente porque essa fusão das mentes mudou sua relação com o risco percebido. Com os benefícios de um computador capaz de executar milhões de permutações para evitar uma jogada ruinosa ou perder algo óbvio, os jogadores humanos podem ser mais livres para explorar e se envolver em novas estratégias, tornando-os mais criativos e imprevisíveis em seu jogo. Isso pode não ser sempre o caso quando se trata de jogos, que são sistemas fechados onde a força bruta e a habilidade de calcular números são incrivelmente poderosas, mas acreditamos que é uma lição vital para a medicina do século XXI, porque, em última análise, quando se tratando de saúde, não basta identificar padrões: precisamos entender os mecanismos biológicos e saber por que as coisas acontecem como acontecem para podermos intervir adequadamente.

O futuro dos cuidados de saúde nos levará a um lugar onde um número crescente de decisões médicas de rotina está sendo feito por IA sozinho. Mas muito mais decisões virão de uma abordagem combinada de poderosas avaliações de IA aumentadas e amplificadas por inteligência humana altamente treinada, um esquema que veio a ser conhecido como “centauro AI”. Como a mítica criatura meio humana e meio cavalo da mitologia grega, esse arranjo híbrido é parte humano, parte computador e deve nos oferecer o melhor dos dois mundos. Isso é especialmente verdadeiro em áreas onde as complexidades humanas extremas desempenham papéis importantes e o poder computacional bruto provavelmente terá menos sucesso do que em um sistema fechado e totalmente especificado como um jogo.

Compartilhar: