Inteligência artificial e sua aplicação no câncer de pele

O câncer é um dos maiores problemas de saúde em todo o mundo. Matando

mais de 10 milhões de pessoas no ano. Os cânceres mais comuns são o de

mama, pulmão e próstata. o câncer de pele afeta

mais pessoas nos Estados Unidos a cada ano do que todos os outros cânceres

combinados. O melanoma é o câncer de pele com pior prognóstico. A inspeção

visual pode não ser suficiente

para diferenciar lesões benignas de tumores malignos. O procedimento padrão-

ouro é exame histopatológico da biópsia de pele. A natureza invasiva do

procedimento. No geral, a detecção precoce é fundamental para o tratamento

eficaz e melhores resultados da pele cânceres. A IA pode ajudar na detecção

precoce do câncer de pele, reduzindo a carga de morbidade e mortalidade

associada à doença um ramo da ciência da computação que usa máquinas e

programas para imitar o comportamento humano inteligente por meio de uma

constelação de tecnologias, é um principal impulsionador da quarta revolução

industrial. o diagnóstico de doenças de pele se baseia principalmente na

percepção visual, a visão computacional algoritmos podem ser capazes de

reconhecer lesões de pele com base em sua morfologia.

NOÇÔES BASICAS DE APRENDIZADO DE MAQUINAS

A IA pode ser classificada em três tipos,ou seja, inteligência artificial estreita,

inteligência artificial geral e superinteligência artificial A IA estreita é a mais

frequente. A IA geral é capaz de realizar qualquer tarefa intelectual como um

ser humano. Super AI pode exceder as capacidades humanas e realizar

qualquer trabalho melhor do que os humanos com qualidades cognitivas.

Câncer de Pele e Aprendizado Profundo Codela et ai. usou o conjunto de

dados da International Skin Imaging Collaboration (ISIC)-2016

para criar um conglomerado de algoritmos de aprendizado profundo e

compará-los com os atuação de oito dermatologistas para compreender 100

lesões de pele como benignas ou maligno. Seu conglomerado superou os

dermatologistas, com precisão de 76% e especificidade de 62%, em

comparação com uma precisão de 70,5% e especificidade de 59% para

dermatologiistas.

O desempenho foi melhor nos subgrupos de dermatologistas com base na

experiência na classificação de imagens de melanoma dermoscopv. Assim, a

CNN tem potencial para auxiliar os dermatologistas no diagnóstico preciso do

melanoma. Usaram redes neurais convolucionais como InceptionV3 e

ResNet50 para diagnosticar malignidades de pele pigmentadas usando um

conjunto de dados misto de 7895 dermatoscópicos e 5829 close-up.

Devido à alta prevalência de doenças malignas da pele, um número crescente

de pessoas requerem diagnóstico imediato e monitoramento contínuo. Isso

coloca uma enorme pressão sobre os especialistas serviços médicos, que

podem ser atenuados por melhores técnicas de auto-vigilância do paciente,

como bem como o uso de sistemas de apoio à decisão para médicos menos

experientes. Máquina o diagnóstico não é subjetivo e não é afetado por fatores

externos. No entanto, o ser humano diagnóstico está associado a variações

subjetivas e pode ser impactado por alguns fatores externos fatores.

Algoritmos de aprendizado profundo são ensinados em uma grande

número de fotos em cada classe antes de serem avaliadas em uma nova

imagem. Há três partes básicas do procedimento. Na primeira etapa, o

algoritmo é alimentado macroscópico ou digitalizado imagens dermatoscópicas

rotuladas com a “verdade fundamental” no primeiro estágio, No estágio 2, as

camadas convolucionais extraem o mapa de características do imagens. Um

mapa de características é uma representação visual dos dados, que tem vários

graus de abstração. O classificador de aprendizado de máquina usa os mapas

de recursos no estágio 3 para reconhecer tipos distintos de padrões de lesão

de pele. Uma nova imagem agora pode ser classificada usando o método de

aprendizado profundo.

Novas aplicações farão com que as gigantescas quantidades de

dados que já existem e serão criados no futuro, por exemplo, em hospitais,

acessíveis a algoritmos e levar a uma melhoria das CNNs.