Dr. Felipe Kitamura

mais do que algumas outras especialidades. Então, no seu caso específico, como é que foi esse processo para você se interessar, começar a desenvolver e aplicar também IA no campo da radiologia? Você falou tudo, Marcos. Concordo plenamente com tudo que você colocou. Radiologia, não tem como desligar a radiologia da tecnologia. Desde os primórdios da invenção da radiografia pelo Roentgen, mais de 100 anos atrás,

E as grandes evoluções que a gente teve no meio do caminho com ultrassom, com tomografia computadorizada, com ressonância magnética, que é algo altamente engenhoso e tecnológico. E com a IA não é diferente. E respondendo a sua pergunta, como foi essa minha entrada, eu sempre gostei muito de tecnologia.

Aliás, eu tive uma dúvida muito grande na época de escolher qual faculdade fazer, entre fazer engenharia, cheguei a prestar engenharia de controle automação, medicina, biotecnologia, acabei fazendo medicina, sou super feliz com a minha decisão, só que sempre ficou aquela coisinha assim, sabe, da tecnologia...

Acho que o que mais me instigou foi, aos 13 anos de idade, meu tio me ensinou a programar numa linguagem de programação que se chama Clipper. Acho que a maioria das pessoas nem deve conhecer, os mais jovens aqui, aquela linguagem para DOS, a gente fazia programa de, era clássico, programa de videolocadora.

Também nem exige visualizador a mais, né? Depois do Netflix. Mas isso tudo era feito em clipper em dose. Mas o fato é, estou comentando isso só porque isso sempre me deixou essa sensação de que dá para a gente usar o computador para automatizar várias tarefas e ajudar a gente no dia a dia. E durante a faculdade de medicina, eu desenvolvi alguns projetos interdisciplinares com engenharia, com física. Depois, quando eu fui fazer residência de radiologia, eu acabei vendo que existe muito essa interação com computador e com máquina e...

E dava para eu usar a programação para melhorar processos na radiologia. E foi aí que veio o boom da inteligência artificial. Na verdade, muito da revolução da IA para imagens médicas com redes neurais convolucionais começou lá em 2012, com o Alex Krizevis, aluno do Geoffrey Hinton, inclusive. E em 2016, isso começou a bombar na radiologia. Todo mundo achando que ia perder emprego. Teve a fala do Hinton que você falou, dizendo que a gente pode parar de treinar radiologistas, porque está claro que em 5, no máximo 10 anos,

A gente não vai mais precisar ter radiologista. Então, esse foi meio que o meu caminho. No momento que o Hinton falou isso, eu estava terminando a residência de radiologia. Eu tinha acabado de me encontrar. Falei, nossa, agora eu achei um negócio que eu amo fazer. Um negócio que está tesão, que é legal. E aí, agora vem esse cara e fala que eu vou perder meu emprego. E aí, a minha primeira reação foi de medo. E foi de, será que de fato isso que ele está falando é verdade? Será que Deep Learning tem esse poder todo?

Porque na época a máquina não era capaz de dizer o que tinha dentro de imagens. E foi aí que eu quis treinar meu próprio modelo para ver se de fato aquilo funcionava. E eu fui aprender Python. Porque no meio do caminho, depois do Clipper, eu fui para Basic, para Visual Basic, para ser embarcado em microcontrolador, para Delphi. Mas eu nunca tinha aprendido Python, que é a principal linguagem para IA.

E aí em 2016 eu fui aprender Python, fui tentar treinar meu modelo e depois de várias tentativas funcionou. E aí caiu minha ficha, caramba, isso daqui é uma coisa diferente mesmo, entendeu? Tem algo aqui, né? Essa foi minha entrada, né? E aí depois tive muita sorte de ter mentores que me deram oportunidades de fazer uma transição de carreira, de acabar indo trabalhar com inteligência artificial 80%, 90% do meu tempo, né? Hoje só 10%, 20% do meu tempo é trabalhando como médico radiologista.

Isso é muito legal e é bacana mesmo ver que tem várias outras pessoas interessadas. A gente acabou vendo muito isso acontecendo na radiologia, porque começou lá em 2016, muito pelo medo, esse awareness da inteligência artificial, mas depois do chat EPT em 2022, isso aumentou.

expandiu para a medicina como um todo. Hoje, IA está acessível para todo mundo e os médicos de todas as especialidades estão muito interessados. E é muito legal ver vários estudantes de medicina interessados. Eu concordo contigo. O Alexandre, o Fabiano, eu sou super fã deles. São pessoas muito bacanas e tecnicamente de ponta. Fazem trabalhos bem legais.

Olha, sua pergunta é muito legal, porque a gente viu evolução tanto técnica quanto evolução de expectativa nesse tempo. A expectativa começou como vamos perder o emprego, lascou. Inclusive, eu fui muito criticado por vários colegas na época do tipo, o que você está fazendo? Você está ajudando a desenvolver e implementar isso, vai tirar o nosso emprego, para com isso. E depois veio meio que uma frustração, mesmo antes do GPT, uma certa frustração. Já havíamos passado uns seis anos,

Não tinha acontecido tanta coisa assim. Surgiram centenas de startups de IA, poucas delas com um modelo de negócio real mesmo. As soluções eram interessantes, mas eles não achavam quem que pagaria por aquilo. Então houve uma consolidação de mercado, principalmente em startups no exterior. Alguns casos de uso ficaram muito claros que são benéficos e trazem retorno, seja financeiro, seja de qualidade para o paciente.

E esses poucos algoritmos acabaram sendo adotados em vários hospitais no nosso país. Então essa foi meio que uma evolução que a gente viu acontecendo na radiologia. Do lado técnico, foi ficando cada vez mais claro que o problema da generalização, você fez a brincadeira do overfitting na abertura aqui, que eu achei muito legal,

Isso é uma grande realidade para a gente na radiologia, porque tem inúmeros trabalhos mostrando diversas situações diferentes em que, sei lá, vou chutar aqui, se o seu banco de dados de treinamento não tem um tomógrafo de uma determinada marca da GE, ou da Philips, ou da Siemens, por exemplo, ou da Toshiba,

Quando você vai tentar fazer deploy num local que só tem aquela marca, que falta no training set, tem uma chance enorme dele não funcionar. E se você olhar as duas imagens, elas são muito parecidas. Um radiologista não consegue, por vezes, dizer isso daqui é da Philips, isso é da Siemens. Mas, para os modelos, essa diferença mínima de textura é bastante significativa. E isso faz a gente ter essa perda de generalização. Então, a primeira coisa que a gente viu ao longo desses anos é os modelos precisam de validação local. Não basta ter aprovação da FDA, aprovação da Anvisa,

Você tem que pegar o dado do seu hospital, fazer inferência nele, naquele modelo que foi treinado em outro local, com o seu ground truth, e aí você calcula as métricas e vê se de fato está funcionando. Esse é o primeiro ponto. Mesmo que o modelo generalize e esteja funcionando, quando você faz o deploy, ao longo do tempo, a performance pode e frequentemente ela degrada.

Não porque o modelo mudou, os pesos são fixos do modelo, mas o que muda é a distribuição do dado de entrada. De repente alguém mudou um protocolo de exame, agora a espessura do corte do tomógrafo está diferente, a população muda ao longo do tempo, tem sazonalidade de doenças que muda ao longo dos meses, ao longo do ano. Isso sem contar quando alguém não compra um tomógrafo novo para o hospital, que aí é uma marca completamente diferente.

Assim, esses são dois pontos técnicos principais que a gente viu, mas tem uma série de outras coisas muito interessantes acontecendo, do tipo, predição de confiabilidade, que é a IA poder dizer, esse caso eu tenho certeza, esse caso eu não sei, hoje a gente não tem isso, por mais que a gente use o score de saída do modelo, ele não reflete isso tão bem.

tem a área de interação humano-máquina, isso também é muito legal e ficou muito claro, tanto na radiologia quanto em clínica médica geral, usando o chat APT, que é o fato de você ter uma IA que acerta 90%, se você der essa IA para um médico que acerta 70%,