A ressonância magnética pré-natal é uma das ferramentas de diagnóstico mais valiosas da medicina e, simultaneamente, uma das mais frustrantes. Quando uma ecografia de rotina deteta uma potencial anomalia cerebral num feto em desenvolvimento, uma ressonância magnética é o passo lógico seguinte. O problema é que os fetos mexem-se. E quando o fazem, o exame desmorona-se.
Uma equipa de investigação do MIT, do Boston Children’s Hospital e do Inria desenvolveu um modelo de aprendizagem profunda chamado E(3)-Pose que aborda este problema de forma direta, não tornando a ressonância magnética mais rápida ou mais barata em termos abstratos, mas resolvora um modo de falha específico e concreto que tem vindo a minar a precisão diagnóstica na imagiologia fetal.
A Física de um Alvo em Movimento
Para perceber porque é que a ressonância magnética fetal é tão difícil, ajuda compreender o funcionamento da imagiologia. Uma ressonância magnética do cérebro fetal não é uma única fotografia. É uma pilha de cortes de imagem bidimensionais que, quando unidos, formam uma imagem volumétrica tridimensional do cérebro. A qualidade dessa imagem depende inteiramente de cada corte ser obtido a partir de um ângulo consistente e previsível.
Quando o feto se mexe, essa consistência desfaz-se. Cada corte pode ser capturado a partir de uma orientação diferente, deixando lacunas na cobertura e ângulos desalinhados na imagem final. Como explica a primeira autora Ramya Muthukrishnan, estudante de doutoramento no MIT, os cortes acabam por ficar “espalhados por todo o lado”. O radiologista que analisa o exame fica, assim, a trabalhar com uma imagem incompleta, literalmente. Detalhes estruturais finos que indicariam um desenvolvimento cerebral anormal tornam-se invisíveis ou ambíguos. Seguem-se diagnósticos falhados e diagnósticos incorretos.
Isto é o que a maior parte da cobertura mediática sobre IA na medicina ignora. O desafio não reside no facto de a IA precisar de ser mais inteligente num sentido geral. O problema é que um problema físico muito específico, o movimento fetal durante a aquisição de imagens, tem vindo a degradar a fiabilidade diagnóstica durante anos, e a solução exige compreender a física desse problema, e não apenas treinar um modelo com grandes conjuntos de dados.
A Simetria como Escolha de Design
O que distingue o E(3)-Pose de uma abordagem convencional de aprendizagem profunda é o local onde a física reside no modelo. Em vez de alimentar o modelo com dados e esperar que este aprenda os princípios físicos por si próprio, os investigadores integraram esses princípios diretamente na arquitetura da rede neuronal. Especificamente, a simetria esquerda-direita da cabeça do feto está incorporada na estrutura do modelo. Isto torna muito mais fácil para o sistema determinar com precisão a orientação do cérebro, mesmo quando o feto está em movimento.
Esta filosofia de design, que consiste em codificar restrições físicas conhecidas no modelo em vez de deixar que sejam deduzidas a partir de dados, é o que a supervisora de Muthukrishnan, a Professora Polina Golland, descreve como combinar “conceitos geométricos como a equivariância e a simetria com o poder da aprendizagem profunda”. O resultado é um modelo que monitoriza a posição da cabeça do feto de forma mais fiável, porque não está a adivinhar a simetria a partir de exemplos. Já a conhece.
O processo de desenvolvimento não foi simples. Muthukrishnan chegou ao projeto com experiência em ciência informática, e não em física de ressonância magnética. Implementar o modelo em hardware de scanner real, em vez de o executar com dados num ambiente computacional, provou ser um desafio totalmente diferente. Ela provocou falhas no scanner repetidamente durante os testes. O coautor Borjan Gagoski, professor adjunto de radiologia na Harvard Medical School e investigador no Boston Children’s Hospital, ajudou a resolver essas falhas e desenvolveu sequências adicionais de aquisição de ressonância magnética para apoiar o treino do modelo. A assistente de investigação Aryn Lee, no Boston Children’s, recrutou as voluntárias grávidas e geriu a aquisição dos exames.
A motivação clínica por trás do trabalho é direta. Muthukrishnan recorda-se de ter assistido a uma sessão de ressonância magnética fetal no Boston Children’s Hospital no início do seu doutoramento, em que uma paciente grávida passou uma hora no scanner apenas para interromper o exame a meio devido ao desconforto, deixando o radiologista sem uma imagem utilizável. Essa experiência, segundo afirmou, ajudou a definir a direção da sua investigação. A frustração era partilhada, e a distância entre o que a tecnologia podia teoricamente fornecer e o que efetivamente entregava na prática era visível.
Porque É que Isto Importa Além da Clínica
As implicações do E(3)-Pose estendem-se em duas direções. A primeira é clínica e imediata. Ellen Grant, que dirige o Centro de Neuroimagiologia Fetal e Neonatal e de Ciência do Desenvolvimento no Boston Children’s Hospital, salientou que o trabalho poderá automatizar a ressonância magnética cerebral fetal, substituindo um processo lento e manual por exames mais rápidos e confortáveis, além de imagens de maior qualidade para os radiologistas. O modelo atual está treinado principalmente com fetos do terceiro trimestre. O próximo objetivo declarado de Muthukrishnan é alargá-lo à imagiologia do segundo trimestre, onde os riscos são maiores: os fetos mais jovens mexem-se mais, são mais pequenos e mais difíceis de imagiologia, mas a deteção precoce de anomalias cerebrais cria mais opções de intervenção.
A segunda direção é mais abrangente. A mesma abordagem arquitetónica, redes neuronais informadas pela física que codificam restrições geométricas conhecidas, tem aplicações potenciais na imagiologia de outra anatomia difícil e em áreas como a condução autónoma, onde os sensores devem monitorizar objetos tridimensionais através de dados ruidosos e incompletos.
Eis o que isto sinaliza sobre o desenvolvimento da IA em geral: os avanços mais duradouros surgem frequentemente não de amplificar os modelos, mas sim de incorporar o conhecimento do domínio nas suas fundações. Um modelo que compreende a simetria porque a simetria faz parte da sua estrutura terá um desempenho superior ao de um modelo que tem de a aprender a partir de exemplos, especialmente quando os exemplos são limitados, como inevitavelmente acontece na imagiologia médica especializada.
Em Resumo
O E(3)-Pose é um modelo de aprendizagem profunda concebido para monitorizar o movimento da cabeça do feto durante exames de ressonância magnética, permitindo obter imagens mais nítidas e completas do cérebro em desenvolvimento. A sua principal inovação é arquitetónica: os princípios físicos, especificamente a simetria esquerda-direita da cabeça do feto, estão integrados diretamente no modelo em vez de serem aprendidos a partir de dados. Desenvolvido por investigadores do MIT, do Boston Children’s Hospital e do Inria, o sistema aborda um problema de diagnóstico concreto que tem estado na origem de diagnósticos pré-natais falhados e incorretos. A lição mais abrangente é que codificar o que já se sabe sobre o mundo físico nos sistemas de IA pode produzir ferramentas mais fiáveis do que o treino isolado.
Com base em notícias da ScienceDaily AI.
Com base em reportagem de MIT News AI.