O papel da IA na área da saúde

A inteligência artificial (AI) na área da saúde está a expandir-se rapidamente, com aplicações cada vez mais abrangentes, incluindo a IA nos cuidados aos pacientes, nos diagnósticos médicos e nos procedimentos cirúrgicos. Relatórios recentes preveem que o mercado mundial de IA na área da saúde atingirá 148 mil milhões de USD até 2029. Desde diagnósticos com recurso à IA até à medicina de precisão, a IA está a transformar o funcionamento dos sistemas de saúde, melhorando a precisão e a eficiência dos processos médicos.

Uma área importante em que a IA está a fazer progressos significativos é a tecnologia de visão computacional. As soluções de saúde baseadas em IA, como os sistemas de visão computacional, são ferramentas indispensáveis para analisar dados médicos, identificar anomalias que podem não ser visíveis a olho nu e permitir intervenções oportunas. Isto é especialmente importante para a deteção precoce de doenças, que pode melhorar significativamente os resultados clínicos dos pacientes.

A aplicação da IA na área da saúde não se limita aos diagnósticos. A sua utilidade estende-se à assistência cirúrgica, onde a robótica médica levou ao desenvolvimento de sistemas avançados que realizam cirurgias precisas e minimamente invasivas. Além disso, os sistemas de IA melhoram a monitorização dos pacientes através da integração de tecnologias vestíveis e da automatização dos processos de saúde, contribuindo para a automatização dos cuidados de saúde.

Neste artigo, vamos explorar como modelos de visão computacional como o Ultralytics YOLOv8 e o Ultralytics YOLO11 podem ajudar o setor médico em tarefas avançadas de deteção de objetos. Também vamos analisar as vantagens, os desafios e as aplicações destes modelos, bem como a forma de começar a trabalhar com os modelos Ultralytics YOLO.

Simplificar a assistência cirúrgica com os modelos Ultralytics YOLO#

Os sistemas de visão computacional baseados em IA estão a assumir um papel cada vez mais importante na área da saúde. Modelos de visão computacional como YOLOv8 e YOLO11 podem simplificar a deteção de objetos médicos, identificando ferramentas e objetos nas salas de operações em tempo real e com elevada precisão. As suas capacidades avançadas podem ajudar os cirurgiões a acompanhar os instrumentos cirúrgicos em tempo real, aumentando a precisão e a segurança dos procedimentos.

A Ultralytics desenvolveu vários modelos YOLO, incluindo:

• Ultralytics YOLOv5: esta versão privilegiou a facilidade de utilização e a acessibilidade para programadores, acrescentando funcionalidades para acelerar o treino e melhorar a implementação em dispositivos.
• Ultralytics YOLOv8: esta versão introduziu um modelo sem âncoras completo. Nas versões anteriores do YOLO, as caixas âncora eram caixas predefinidas de vários formatos e tamanhos, usadas como pontos de partida para a deteção de objetos. O YOLOv8 elimina a necessidade destas caixas âncora e prevê diretamente a forma e a localização do objeto.
• Ultralytics YOLO11: os modelos YOLO mais recentes superaram as versões anteriores em várias tarefas, incluindo deteção, segmentação, estimativa de pose, rastreamento e classificação.

Aplicações do Ultralytics YOLOv8 na área da saúde#

O Ultralytics YOLOv8, por exemplo, tem muitas aplicações baseadas em IA em vários setores, incluindo a área da saúde, com um impacto significativo em áreas como a descoberta de medicamentos, os diagnósticos e a monitorização em tempo real. Eis algumas formas de usar o YOLOv8 em soluções de saúde baseadas em IA.

• Monitorização de pacientes em tempo real: o Ultralytics YOLOv8 também pode ser usado em hospitais para monitorizar pacientes e funcionários em tempo real. As aplicações incluem a monitorização do cumprimento das normas relativas aos equipamentos de proteção individual (PPE) e a deteção de quedas de pacientes.
• Deteção de instrumentos cirúrgicos: o YOLOv8 pode ser usado para detetar e acompanhar com precisão instrumentos cirúrgicos durante cirurgias laparoscópicas, em tempo real. Isto é importante para melhorar a eficiência e a segurança.
• Cirurgia robótica: na cirurgia robótica, o Ultralytics YOLOv8 pode aumentar a precisão dos instrumentos cirúrgicos ao identificar marcos anatómicos críticos e acompanhar os movimentos em tempo real. Esta deteção de objetos baseada em IA pode melhorar a precisão e a segurança de cirurgias complexas e minimizar as complicações.
• Endoscopia: o YOLOv8 pode ser aplicado a imagens endoscópicas para ajudar a identificar anomalias no trato gastrointestinal.
• Aplicações móveis de saúde: o YOLOv8 pode ser integrado em aplicações móveis para diversos fins relacionados com a saúde, incluindo o rastreio do cancro da pele.
• Imagiologia médica e diagnósticos: o YOLOv8 pode detetar e classificar anomalias em várias modalidades de imagiologia, como radiografias, tomografias computorizadas, ressonâncias magnéticas e ecografias. O modelo de deteção de objetos Ultralytics YOLOv8 pode ser utilizado em oftalmologia para identificar anomalias da retina, como a retinopatia diabética, e em radiologia, onde os modelos podem detetar fraturas ósseas e ajudar os radiologistas a avaliar casos de traumatismo.

Fig. 1. Deteção de fraturas numa radiografia com o Ultralytics YOLOv8.

Vantagens e desafios da deteção de objetos médicos#

Em comparação com outros modelos de deteção de objetos, como o RetinaNet e o Faster R-CNN, o Ultralytics YOLOv8 oferece vantagens distintas para aplicações médicas baseadas em IA:

• Deteção em tempo real: o Ultralytics YOLOv8 é um dos modelos de deteção de objetos mais rápidos. É ideal para procedimentos médicos em tempo real, como cirurgias, nos quais é importante detetar rapidamente e com precisão ferramentas e instrumentos médicos.
• Precisão: o Ultralytics YOLOv8 apresenta uma precisão de ponta na deteção de objetos. As melhorias na sua arquitetura, na função de perda e no processo de treino contribuem para a elevada precisão na identificação e localização de objetos médicos.
• Deteção de vários objetos médicos: o Ultralytics YOLOv8 pode detetar vários objetos numa única imagem, como identificar vários instrumentos médicos durante uma cirurgia ou detetar diferentes anomalias num contexto médico.
• Menor complexidade: em comparação com os detetores de duas etapas (como o R-CNN Faster), o Ultralytics YOLOv8 simplifica o processo de deteção ao executá-lo numa única etapa. Esta abordagem simplificada contribui para a sua rapidez e eficiência e facilita a implementação e a integração na otimização dos fluxos de trabalho médicos existentes.
• Melhorias no treino e na implementação: a Ultralytics tem-se dedicado a tornar os seus modelos muito fáceis de usar, oferecendo um processo de treino simplificado, uma exportação de modelos simplificada e compatibilidade com várias plataformas de hardware, tornando-os acessíveis a investigadores e programadores da área médica.

Apesar das inúmeras vantagens, existem desafios na utilização de modelos de visão computacional para a deteção de objetos médicos:

• Dependência dos dados: os modelos de visão computacional precisam de uma grande quantidade de dados etiquetados para um treino eficaz. A obtenção de conjuntos de dados anotados de alta qualidade na área médica pode ser difícil devido a fatores como a privacidade dos pacientes.
• Complexidade das imagens médicas: as imagens médicas contêm frequentemente estruturas complexas e sobrepostas, o que dificulta a distinção entre tecidos normais e anormais, mesmo para modelos avançados.
• Recursos computacionais: a análise de imagens médicas de alta resolução pode exigir uma elevada capacidade de processamento, o que pode constituir uma limitação em ambientes com recursos limitados.

Executar inferências usando o modelo Ultralytics YOLOv8#

Para começar a usar YOLOv8, instala o pacote Ultralytics. Podes instalá-lo com pip, conda ou Docker. Encontras instruções detalhadas no Guia de instalação da Ultralytics. Se tiveres algum problema, o Guia de problemas comuns pode ajudar-te a resolvê-lo.

Depois de instalares a Ultralytics, é simples usar YOLOv8. Podes usar um modelo YOLOv8 pré-treinado para detetar objetos em imagens sem treinar um modelo de raiz.

Aqui tens um exemplo rápido de como carregar um modelo YOLOv8 e usá-lo para detetar objetos numa imagem. Para veres exemplos mais detalhados e dicas de utilização avançada, consulta a documentação oficial da Ultralytics para conheceres as melhores práticas e obteres mais instruções.

Fig. 2. Trecho de código que mostra a execução de inferências com YOLOv8.

Conclusão#

A integração da IA na área da saúde, particularmente através de modelos como Ultralytics YOLOv8, está a transformar o panorama médico. A capacidade de fornecer deteção em tempo real e de elevada precisão simplifica os fluxos de trabalho e aumenta a precisão cirúrgica, a precisão dos diagnósticos e a monitorização de pacientes em tempo real, contribuindo para melhores resultados clínicos. À medida que continuamos a melhorar a qualidade dos dados e a capacidade de computação, o potencial de YOLOv8 na área da saúde deverá crescer, permitindo responder eficazmente a ainda mais necessidades médicas.

Para saberes mais sobre o potencial da IA de visão e acompanhares as nossas últimas inovações, visita o nosso repositório no GitHub. Junta-te à nossa comunidade em crescimento e descobre como pretendemos ajudar a transformar setores como os da saúde e da indústria transformadora.