Os avanços tecnológicos na área de inteligência artificial têm gerado resultados impressionantes. Ainda assim, existem estudos divergentes em relação à sua eficácia e precisão ao diagnosticar doenças. Agora, um novo estudo sugere que este desempenho pode ser aprimorado por meio de um sistema de penalizações.
A inteligência artificial passou a ser implementada no campo da medicina como uma forma de reduzir diagnósticos imprecisos fornecidos por humanos. Isso não significa, no entanto, que a tecnologia seja passível de erro.
Se um algoritmo de machine learning apresentar uma taxa de precisão de 90%, por exemplo, isso ainda se traduz em 10 pessoas recebendo um diagnóstico incorreto entre um grupo de 100 pacientes. Ou seja, embora a porcentagem pareça positiva, na vida real, isso pode colocar em risco a vida de muitos indivíduos.
Pensando nisso, pesquisadores da University of Johannesburg combinaram algoritmos de regressão logística, árvore de decisão, XGBoost e floresta aleatória para melhorar o desempenho da inteligência artificial para fins médicos.
Os algoritmos utilizados são de classificação binária supervisionada. Basicamente, isso significa que eles aprendem apenas com bancos de dados “sim/não”.
Penalidade maior para falsos negativos
A técnica utilizada pelos pesquisadores foi incorporar aos algoritmos uma análise de sensibilidade ao custo. Assim, eles receberiam uma penalidade muito maior ao determinar de forma incorreta que uma pessoa doente era saudável (falso negativo) do que o caso contrário (falso positivo).
Para o estudo, foram utilizados bancos de dados de pacientes com diabetes, câncer de mama, câncer cervical e doença renal crônica. Nesses conjuntos de dados binários, os indivíduos foram classificados apenas em dois grupos: portador da doença ou não.
Da mesma forma, os algoritmos utilizados também eram binários. As análises fornecidas eram se os pacientes tinham ou não a doença. A sensibilidade ao custo foi aplicada nos testes realizados com cada um dos diferentes bancos de dados.
Os resultados, detalhados no artigo publicado na revista acadêmica Informatics in Medicine Unlocked, revelam que as penalidades podem, de fato, aprimorar os diagnósticos fornecidos pela inteligência artificial.
Precisão e recall
No caso da doença renal crônica, o algoritmo de floresta aleatória apresentou uma precisão de 0,972 e recall de 0,946 em uma escala de 0 a 1. Ao adicionar a sensibilidade ao custo, a precisão aumentou para 0,990 e o recall atingiu o valor máximo de 1.
Caso a precisão chegasse ao valor 1, isso significaria que o algoritmo não gerou nenhum falso positivo. Já no caso do recall atingindo 1 significa que não houve qualquer falso negativo.
Os resultados obtidos variaram de acordo com os bancos de dados e os algoritmos utilizados, explicam os pesquisadores.
No caso de câncer cervical, por exemplo, os algoritmos de floresta aleatória e XGBoost, com a sensibilidade ao custo aplicada, conseguiram atingir a taxa máxima de precisão e recall. No entanto, os algoritmos de regressão logística e árvore de decisão apresentaram melhorias, mas não atingiram o valor 1.
De acordo com os pesquisadores, uma das principais preocupações em relação ao uso de inteligência artificial na medicina é que a tecnologia tende a apresentar um desempenho melhor em identificar pessoas saudáveis do que aquelas que apresentam algum problema de saúde.
Isso ocorre devido a um desequilíbrio nos próprios bancos de dados que alimentam os algoritmos. Afinal, esses datasets contêm um número muito maior de pessoas que não apresentam a doença, e é a partir disso que os algoritmos aprendem.
