1. Inteligência Artificial
no futuro da medicina
Diego Arndt ¹
José L Wollinger ²
Marlei M Silveira ³
Vítor A K Reiter ⁴¹ darndt@furb.br
² jose.wollinger@gmail.com
³ marlei.mmsilveira@gmail.com
⁴ vitor.akr@gmail.com

2. Roteiro
2
● Introdução
● Embasamento Teórico
● Principais Algoritmos utilizados na medicina
● Coleta de Dados
● Evolução do estudo de Deep Learning
● Correlatos
● Análise e discussão
● Diagnóstico
● AI vs Doctors (Competição)
● Pilo
● AI vs Doctors (Comparativo)
● Investimentos na IA e tendências
● Considerações finais
● Referências

3. Introdução
3
O uso da inteligência artificial vêm crescendo na última década devido ao
aprimoramento dos algoritmos, capacidade computacional e
democratização de ferramentas que facilitam o seu uso. A medicina não
fica de fora dessa revolução, sendo um dos principais campos em que o
conceito é aplicado. Essa aplicação se dá no devido peso que as
evoluções no campo da medicina impactam as pessoas, seja diretamente
ou indiretamente.

4. Introdução
4
É de suma importância o avanço da medicina para a humanidade, com o
advento da inteligência artificial e demais tecnologias é possível visualizar
a projetar futuras aplicações e estudos, fornecendo e encontrando um
norte para as pesquisas e aplicações da tecnologia, poupando esforços e
sendo mais assertivo quanto as suas aplicações.

5. Embasamento teórico
Inteligência artificial (IA) é definida como um "campo da ciência e
engenharia preocupado com o conhecimento computacional do que é
chamado comumente um comportamento inteligente, e a construção de
artefatos que demonstram tal comportamento” (SHAPIRO, 1992).
5

6. Embasamento teórico
Desde a metade do século, pesquisadores têm explorado as potências
aplicações de inteligência artificial em todo o campo da medicina. A
aplicação da tecnologia IA no campo da cirurgia teve seu primeiro êxito
investigado por Gunn, em 1976, quando ele explorou a possibilidade de
diagnosticar dores abdominais agudas com uma análise computacional
(Gunn AA, 1976).
6

7. Principais algorítmos usados na medicina
7

8. Coleta de dados
8

9. Evolução do estudo de Deep Learning
9

10. Aprendizagem de máquina (Machine Learning)
10
Um sistema computacional é dito que aprende da experiência E, em relação a
uma classe de tarefas T e a uma medida de desempenho P, se seu
desempenho nas tarefas em T, medido por P, melhora com a experiência E.
(Tom Mitchell (1998))

11. Aprendizagem de máquina (Machine Learning)
11
Formas:
● Supervisionado
● Não-Supervisionado

12. Aprendizado Supervisionado X Não-Supervisionado
12

13. Deep Learning
13
Deep Learning (Aprendizagem Profunda)
• rede neural com muitas camadas ocultas;
• capacidade de aprendizagem em grandes quantidades de dados de forma
não-supervisionada;
• dispensam grande parte do pré-processamento das características.

14. IBM - DIAGNÓSTICO DA SAÚDE MENTAL COM IA
Correlatos
➢ Doenças:
➢ OMS (2018), depressão:
➢ Diagnóstico Atual:
Fonte: http://www.research.ibm.com/5-in-
5/mental-health/
14
Depressão, Ansiedade, Doença
Bipolar e Esquizofrenia
- Mundo: 300 milhões
- Brasil: 12 milhões
- Fala
- Falho
“Computadores cognitivos podem analisar a fala ou
palavras escritas de um paciente para procurar
indicadores encontrados na linguagem, incluindo
significado, sintaxe e entonação.” (IBM, 2017)

15. Correlatos
15
Fonte: Feito pelo autor
IBM: Software de apoio ao diagnóstico da saúde mental

16. Correlatos
➢ IBM: Software de apoio ao diagnóstico da saúde mental
➢ Objetivo / Precisão:
Fonte: https://www.ibm.com/blogs/research/2017/1/ibm-5-in-
5-our-words-will-be-the-windows-to-our-mental-health//
16
2017 ≈ 80%
2022 ≈ 100%
Fonte: Corcoran et al. (2018, p. 71).
Análise pelo Machine Learning
O software pode ser utilizado dentro ou
fora da clínica por médicos, cuidadores ou
pacientes. (CECCHI, 2018).

17. ➢ “As doenças cardiovasculares (DCV) tiram a vida de 17,7 milhões de
pessoas todos os anos, 31% de todas as mortes globais.” (OMS, 2017)
Correlatos
17
➢ Diagnóstico Atual: tardio
GOOGLE: USO DA IA PARA DIAGNÓSTICO DOS RISCOS
DE DOENÇA CARDIOVASCULAR
Solução da Google: Software de apoio ao diagnóstico que através da
análise da retina com o uso de técnicas da IA e de visão computacional
rastreia com maior precisão o risco da DCV.

18. Correlatos
Mapas de atenção para uma única imagem do fundo da retina
Fonte: POPLIN, R. et al., 2018, p.162.
18
Fatores de risco
Rede Neural e
Modelos de Aprendizagem Profunda
- Análise
- Classificação
Quantificação de fatores
- Previsão

19. Análise e discussão
19
A inteligência artificial usada na medicina expõe um gigante espectro
de possibilidades de aplicações, variando de campos como a
nanotecnologia, diagnóstico, prontuário, alergias e até genética.
A curto prazo, vê-se a aplicação da medicina no diagnóstico de
patologias em pacientes, como a coleta de dados está mais facilitada
atualmente, as máquinas poderão treinar com esses dados gerando
informações relevantes para a geração de diagnóstico.
No médio prazo, prevê-se a utilização da inteligência artificial no
campo da saúde pública. Com o advento do big data, será possível coletar
uma quantidade gigantesca de dados referentes a patologias
transmissíveis e particularidades de localidades.

20. Diagnóstico
20

21. AI vs Doctors
Competição
https://www.youtube.com/watch?v=NeqnhaghfrI
21

22. AI vs Doctors
Pillo
https://www.youtube.com/watch?v=JbUa2uAM-H8
22

23. AI vs Doctors
Comparativo
https://spectrum.ieee.org/static/ai-vs-doctors
23

24. Investimentos na IA e tendências (heatmap)
24

25. Conclusão e considerações finais
25
Juntamente com o avanço de outras áreas tecnológicas, o futuro da medicina
apresenta-se promissor para o tratamento de patologias e prevenções, além
disso, a comunidade está cada vez mais empenhada em priorizar esses avanços
nesse campo,
porque vidas humanas estão dependendo desses avanços.
Por fim, a humanidade só tem a ganhar com o avanço da inteligência artificial.
Sendo que com o seu uso eficiente, poderá prevenir epidemias, tratar
adequadamente patologias, e levar a medicina em um novo patamar no
tratamento de enfermidades prolongando a vida e proporcionando novos avanços
para todas as áreas científicas

26. Dados, gráficos e imagens:
Jiang F, Jiang Y, Zhi H, et al
Artificial intelligence in healthcare: past, present and
future
Stroke and Vascular Neurology 2017;svn-2017-000101. doi:
10.1136/svn-2017-000101
26

27. Referências:
IBM. IBM Reveals Five Innovations that will Help Change our Lives within Five Years, 5 janeiro 2017.
Disponível em: <https://www-03.ibm.com/press/us/en/pressrelease/51322.wss>. Acesso em 18 maio 2018.
L. Yann, Y. Bengio e G. Hinton. Deep Learning, Nature, vol 521, p. 436-444, 28 agosto 2015. Disponível
em: <http://www.researchgate.net/publication/277411157_Deep_Learning>. Acesso em 19 maio 2018.
doi:10.1038/nature14539
N. B. Mota, N. A. Vasconcelos, N. Lemos, A. C. Pieretti, O. Kinouchi, G. A. Cecchi, M. Copelli e S. Ribeiro.
Os gráficos de fala fornecem uma medida quantitativa do transtorno do pensamento na psicose, 09
abril 2012. Disponível em: <http://journals.plos.org/plosone/article?id=10.1371/journal.pone.0034928>.
Acesso em 17 maio 2018. https://doi.org/10.1371/journal.pone.0034928
27

28. Referências:
OMS. Cardiovascular disease: World Heart Day 2017, 2017. Disponível em:
<http://www.who.int/cardiovascular_diseases/world-heart-day-2017/en/>. Acesso em 19 maio 2018.
OMS. Depression, OMS, 22 março 2018. Disponível em: <http://www.who.int/news-room/fact-
sheets/detail/depression>. Acesso em 17 maio 2018.
R. Poplin, A. V. Varadarajan, K. Blumer, Y. Liu, M. V. McConnel, G. S. Corrado, L. Peng e D. R. Webster.
Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning, Nature
Biomedical Engineering, vol. 2, p. 158–164, 19 fevereiro 2018. Disponível em:
<https://www.nature.com/articles/s41551-018-0195-
0.epdf?referrer_access_token=ZDlDbzGtvkGOsUPfwSDTQNRgN0jAjWel9jnR3ZoTv0OMsbBDq-7d5VZef-
dAA8S42ksrZ1yBZ3WBQt5pZ416cy7NQGq1FbJJy0uOTxIoC3CU8nn8fmT-
RTRVz8SQRPFLm0cYdoImE_dKVIAFZ7b8nkt2psCXq84UXbc6hD3LdmhhYeg_IXJ76pHskPiwglJrfb2pbH
KNRbxLRTEINRQEArNZz-Zp76__1cHbFgJzp1Hxs44GWqePax0dzHwZP5vf6urR7toOym-YFzejY3K3J2-
BFkwdudZe2ZOAhTRbnNFD4n7aaCGttQ4Et3yu_Oi9>. Acesso em 18 maio 2018.
https://doi.org/10.1038/s41551-018-0195-0
28

29. Inteligência Artificial
no futuro da medicina
Diego Arndt ¹
José L Wollinger ²
Marlei M Silveira ³
Vítor A K Reiter ⁴¹ darndt@furb.br
² jose.wollinger@gmail.com
³ marlei.mmsilveira@gmail.com
⁴ vitor.akr@gmail.com