Pesquisadores do Imperial College London, no Reino Unido, desenvolveram uma ferramenta de inteligência artificial (IA) que integra dados de imagens médicas a um grafo de conhecimento, oferecendo uma visão aprofundada da estrutura e da função do coração. Batizada de CardioKG, a tecnologia aumenta a precisão na identificação de genes associados a doenças cardíacas e permite avaliar se medicamentos já existentes podem ser reaproveitados no tratamento dessas condições.
Para construir o sistema, os cientistas analisaram exames de imagem cardíaca de 4.280 participantes do UK Biobank com fibrilação atrial, insuficiência cardíaca ou histórico de infarto, além de 5.304 indivíduos saudáveis. A partir desse conjunto, foram geradas mais de 200 mil características baseadas em imagens, capazes de capturar variações sutis na anatomia e no funcionamento do coração.
Segundo Khaled Rjoob, cientista de pesquisa pós-doutoral em ciência de dados e autor principal do trabalho, essas características foram extraídas de imagens de ressonância magnética cardíaca (RMC) com o uso de uma rede neural convolucional profunda. “Cada característica é usada para avaliar uma determinada região anatômica do coração. Em seguida, elas foram integradas ao grafo de conhecimento (GC) como se fossem nós, e os valores numéricos dessas características foram integrados como propriedades nas relações entre a característica da RMC e os demais nós conectados”, explicou Khaled ao Correio. O estudo foi publicado na revista Nature.
O especialista em inteligência artificial Daniel Monteiro esclarece que um grafo de conhecimento funciona como um grande mapa de informações interligadas. Ele conecta dados como pessoas, empresas, cargos e outros atributos, permitindo que a inteligência artificial compreenda não apenas palavras isoladas, mas o contexto e as relações entre essas informações. Dessa forma, a IA passa a interpretar significados de forma muito mais próxima do raciocínio humano.
Já as redes neurais convolucionais (CNNs) são tecnologias voltadas para a análise visual. Elas permitem que a inteligência artificial reconheça padrões em imagens, como identificar rostos, objetos ou características específicas em fotos e vídeos. “A relação entre essas tecnologias está no fato de que sistemas avançados de inteligência artificial combinam grafos de conhecimento para entender conexões e contextos, enquanto utilizam redes neurais convolucionais para interpretar e correlacionar informações visuais. Juntas, essas abordagens tornam a IA mais precisa, contextual e inteligente”, ressalta.
Mecanismo
O cientista esclarece que a integração de imagens, dados genéticos e informações clínicas foi viabilizada por ferramentas computacionais como Neo4j e PyTorch, com o suporte de GPUs em servidores locais. “Essa abordagem não se limita ao coração, podendo ser aplicada também a imagens de outros órgãos, como o cérebro. Além disso, o sistema é adaptável à incorporação de novos dados. Quando esses dados representam apenas uma extensão das informações já existentes, como novos nomes de medicamentos ou exposições, a atualização é simples e requer apenas a reexecução do código”, explica, antes de ponderar: “No entanto, caso os novos dados introduzam uma entidade inédita no grafo de conhecimento, é necessário atualizar previamente o esquema do grafo antes de gerar os resultados finais”.
Portanto, o CardioKG possibilita a análise integrada e ágil de grandes volumes de dados médicos, genéticos e de imagem. Ao estruturar essas informações em um grafo de conhecimento e empregar técnicas de inteligência artificial, o sistema é capaz de identificar relações ocultas entre genes, doenças cardíacas e medicamentos, conexões que dificilmente seriam detectadas por métodos tradicionais. Dessa forma, os pesquisadores podem prever o reaproveitamento de medicamentos já existentes para outros males no tratamento de doenças cardíacas, reduzindo tempo e custos e acelerando o desenvolvimento de novas terapias.
“A rede neural foi utilizada exclusivamente para segmentar as imagens de ressonância magnética cardíaca (RMC) e extrair características relevantes dos dados de imagem. Após a integração dessas características ao grafo de conhecimento (GC), um algoritmo de incorporação foi aplicado para transformar o GC em vetores de representação. Por fim, algoritmos de aprendizado de máquina foram empregados para prever associações entre genes ou medicamentos e doenças, com base nas representações vetoriais geradas”, reforça Khaled.
Descobertas e desafios
De acordo com o estudo, o modelo identificou novos genes associados a doenças cardíacas e previu o potencial de dois medicamentos já existentes no tratamento dessas condições. O metotrexato, usado contra a artrite reumatoide, poderia melhorar a insuficiência cardíaca, enquanto as gliptinas, indicadas para o tratamento do diabetes, poderiam ser benéficas para a fibrilação atrial. A equipe também fez uma descoberta inesperada: a cafeína, que aumenta a excitação cardíaca, apresentou efeito protetor em pacientes com fibrilação atrial que têm pulso irregular e acelerado.
Para Khaled, os principais desafios técnicos do trabalho envolveram a integração de mais de 200 mil elementos de imagem ao grafo de conhecimento de modo a permitir um raciocínio eficaz, além da geração de representações vetoriais a partir desse grafo. Ele destaca que os algoritmos tradicionais de incorporação costumam depender principalmente da estrutura do grafo e, em geral, ignoram os atributos dos nós e das relações.
“A tecnologia permite o reaproveitamento de medicamentos ao identificar ligações ocultas entre remédios, doenças e mecanismos biológicos que não são evidentes em análises tradicionais de dados”, afirma Khaled. De acordo com ele, o CardioKG tem potencial para apoiar a tomada de decisões clínicas no futuro. “Para que possa ser amplamente utilizado por médicos e hospitais, será necessário o desenvolvimento de uma interface gráfica de usuário (GUI) capaz de traduzir dados e previsões complexas em informações claras e práticas para o uso clínico.”
* Estagiária sob a supervisão de Lourenço Flores
Prática
Fabiano Carvalho, especialista em transformação digital e CEO da Ikhon, explica que uma Rede Neural Convolucional (CNN) é uma arquitetura de aprendizado profundo especializada no processamento de dados organizados em grades topológicas, como imagens e vídeos. “Quando conectada com um grafo de conhecimento, a IA consegue compreender representações de uma forma muito mais abrangente, o que aumenta de forma significativa a acurácia do reconhecimento visual e da análise preditiva.” Ele acrescenta que um grafo de conhecimento é uma infraestrutura de dados que organiza informações não como registros isolados, mas como uma rede interconectada de conceitos, entidades e suas relações. “Essa prática é fundamental para que uma máquina compreenda, por exemplo, quando uma palavra como ‘veja’ está sendo usada como verbo ou como nome de um produto.”
Biobanco do Reino Unido
Biobanco do Reino Unido
UK Biobank é um recurso biomédico de larga escala e sem fins lucrativos no Reino Unido, que armazena dados genéticos e de saúde detalhados de meio milhão de voluntários, permitindo que pesquisadores do mundo todo estudem as causas de doenças graves, como câncer, doenças cardíacas e demência, visando melhorar a prevenção, o diagnóstico e o tratamento. Ele combina dados de sequenciamento genômico completo, imagens corporais, questionários de estilo de vida e acompanhamento de saúde ao longo do tempo para criar uma visão abrangente da saúde humana.
Discover more from FATONEWS :
Subscribe to get the latest posts sent to your email.
