Estudo avalia precisão de imagens médicas geradas por inteligência artificial

Para muitas pessoas, o aumento das imagens geradas pela inteligência artificial provocou ansiedade – em relação à desinformação, aos deepfakes e à linha tênue entre o que é real e o que não é. Mas no mundo da imagem médica, o realismo não é o problema – é o objetivo.

Quando se trata de usar IA para auxiliar no diagnóstico de doenças, aprimorar varreduras ruidosas ou reconstruir imagens inteiras a partir de dados limitados, os médicos devem ter certeza de que a tecnologia na qual confiam está produzindo resultados detalhados e precisos.

Essa questão de precisão – até que ponto as imagens sintéticas refletem suas contrapartes reais – é o que GuanNan Wang, professor associado de matemática da William & Mary, se propôs a responder. Junto com pesquisadores da Universidade de Yale, da Universidade da Virgínia e da Universidade George Mason, ela recentemente foi coautora de um artigo publicado no Jornal da Associação Estatística Americana que avaliou a fidelidade de imagens médicas geradas por IA.

A equipe desenvolveu uma nova ferramenta de inferência estatística para identificar rigorosamente as diferenças entre imagens médicas sintéticas e reais. A sua análise revelou lacunas sistemáticas e, para as resolver, conceberam e testaram uma nova transformação matemática que alinha imagens geradas por IA com digitalizações autênticas – um passo em direção à utilização segura e fiável de dados médicos sintéticos em ambientes clínicos.

“A IA generativa abre oportunidades interessantes para revolucionar o campo médico”, disse Wang. “Mas os investigadores precisam de provar, através de uma avaliação cuidadosa e rigorosa, que os prestadores de cuidados de saúde podem confiar nestas novas tecnologias antes de serem utilizadas para orientar decisões sobre pacientes reais”.

Reimaginando imagens médicas

A escassez de dados é um grande desafio na aplicação da IA ​​aos cuidados de saúde – um desafio que Wang experimentou em primeira mão. Durante mais de uma década, ela estudou a progressão da doença de Alzheimer examinando tomografias cerebrais, perfis genéticos e dados demográficos dos pacientes, em busca de pistas sobre o que impulsiona a progressão da doença. No entanto, muitos registos de pacientes estão incompletos, muitas vezes faltando imagens de ressonância magnética, o que dificulta a ligação destas fontes de dados. Usando IA generativa, Wang espera preencher as peças que faltam.

“Ao treinar um algoritmo de IA nos pacientes que fazem exames cerebrais e pelo menos mais um dado – seja demográfico ou genético – podemos criar um modelo que prevê como seriam os exames cerebrais para pacientes que não possuem o componente de imagem”, disse Wang. “Essas imagens sintéticas podem então ajudar a aumentar nossos conjuntos de dados existentes, dando-nos uma melhor chance de descobrir as relações entre as características dos pacientes e a progressão da doença”.

As diretrizes que protegem a privacidade dos pacientes dificultam o compartilhamento de imagens médicas por hospitais e pesquisadores. O custo e o tempo associados à obtenção e anotação dessas imagens por especialistas médicos são outros desafios que contribuem para a escassez de dados.

Estes problemas são agravados quando se tenta desenvolver um algoritmo de diagnóstico para uma doença rara, quando existem ainda menos exames, ou quando se tenta caracterizar imagens associadas a determinados dados demográficos sub-representados, como casos pediátricos.

“As imagens sintéticas podem ajudar a enfrentar o desafio da escassez de dados, gerando um grande número de novas imagens médicas”, disse Wang. “Como essas imagens não estão vinculadas a nenhum paciente individual, elas também podem reduzir as preocupações com a privacidade”.

Os pesquisadores desenvolveram vários métodos para criar imagens sintéticas. Um exemplo de abordagem amplamente conhecida é a rede adversária generativa (GAN), onde duas redes de IA competem – uma gera imagens enquanto a outra tenta detectar as falsificações – até que as varreduras sintéticas se tornem quase indistinguíveis das reais.

Mas antes de os médicos começarem a confiar nestas imagens sintéticas, precisam de saber quão precisas são, uma questão que Wang se propôs a responder.

“Mesmo que possamos gerar imagens sintéticas, elas são úteis? Podemos confiar nelas?” ela perguntou. “Elas podem parecer imagens reais, mas estatisticamente ou matematicamente podem não estar alinhadas com as imagens reais.”

No mundo da medicina, onde as consequências da tomada de decisões baseadas em dados errados podem ser catastróficas, são necessários métodos de avaliação rigorosos para interrogar estas questões.

Vendo a floresta e as árvores

A maioria das estratégias estatísticas existentes para comparar imagens sintéticas e reais depende de uma análise voxel por voxel (um voxel é um pixel 3D). Mas comparar centenas de imagens complexas com milhares a milhões de voxels cada uma rapidamente se torna um pesadelo estatístico, e a precisão paga o preço. Além disso, observar imagens em termos de voxel as separa da complexa geometria espacial de órgãos como o cérebro. Pense em receber uma imagem pixel por pixel e depois ser questionado sobre o que a imagem representa.

Outras áreas de investigação, como a aprendizagem automática e a visão computacional, desenvolveram medidas mais holísticas, incluindo a distância inicial de Fréchet, a divergência de Kullback-Leibler e a distância de variação total, para capturar a distribuição global.

“Essas comparações normalmente dependem de métricas globais – ou seja, comparam as diferenças gerais entre imagens reais e geradas por IA”, disse Wang. “Mas nos cuidados de saúde, diferenças clinicamente importantes aparecem frequentemente apenas em pequenas sub-regiões, tais como alterações subtis entre tecidos normais e doentes. São precisamente estas pequenas variações que os métodos de avaliação necessitam de detectar.”

Para criar suas imagens sintéticas, Wang e seus colegas primeiro coletaram imagens cerebrais de ressonância magnética funcional (fMRI) de pacientes que foram solicitados a bater os dedos em intervalos específicos. Eles então treinaram uma ferramenta de IA chamada Modelo Probabilístico de Difusão e Denoising (DDPM), adicionando gradualmente ruído aleatório às varreduras cerebrais até que as imagens se dissolvessem em pura estática.

Observando esse processo, o DDPM aprendeu como revertê-lo – começando pelo ruído e reconstruindo imagens cerebrais que se assemelhassem aos originais. Pense nisso como um limpador de para-brisa digital, transformando um pedaço de vidro embaçado em uma imagem nítida.

Eles então usaram um método chamado Análise Funcional de Dados (FDA), que trata cada imagem como uma função contínua. Usando esta estrutura, eles construíram regiões de confiança simultâneas, inferências estatísticas que capturam a incerteza em todo o domínio do cérebro, para comparar as imagens reais e sintéticas. Para explicar a geometria complexa dos exames cerebrais, eles projetaram os cérebros em uma esfera, o que permitiu uma comparação individual mais fácil de diferentes regiões cerebrais.

Usando estas técnicas, os investigadores analisaram todas as imagens para encontrar a média – como era a média de todas as imagens sintéticas em comparação com a média de todas as imagens reais – e a covariância – que mede como as mudanças num voxel se relacionam com as mudanças noutros através do espaço.

Eles rapidamente encontraram algumas discrepâncias entre os dados sintéticos e as imagens reais.

“Vimos áreas do cérebro iluminadas que não deveriam estar, mostrando-nos que nossas imagens geradas por IA não refletiam totalmente os dados originais”, disse Wang.

Para remediar isso, os cientistas, novamente usando a FDA, criaram uma nova transformação para tornar as imagens sintéticas muito mais alinhadas com as imagens reais.

“Nosso trabalho ressalta a importância de estabelecer técnicas de avaliação rigorosas que não se baseiem apenas na similaridade global, mas que observem os mínimos detalhes dessas imagens”, disse Wang. “Esperamos que este trabalho seja mais um passo para tornar as imagens geradas por IA mais aplicáveis ​​e confiáveis ​​na área médica”.

Concluindo uma apresentação em agosto na Oitava Conferência Internacional sobre Econometria e Estatística, Wang ilustrou a importância de tais métodos de avaliação: “A IA gerativa pode criar imagens, mas são as estatísticas que dão a essas imagens uma espinha dorsal científica. Sem nós, é arte; connosco, torna-se conhecimento”.