O papel da IA na área da saúde

A inteligência artificial (AI) na área da saúde está se expandindo rapidamente, com aplicações cada vez mais presentes em vários domínios, incluindo o atendimento ao paciente, o diagnóstico médico e os procedimentos cirúrgicos com IA. Relatórios recentes preveem que o mercado global de IA na área da saúde chegará a US$ 148 bilhões até 2029. De diagnósticos com IA à medicina de precisão, a IA está transformando o funcionamento dos sistemas de saúde, melhorando a precisão e a eficiência dos processos médicos.

A visão computacional é uma área fundamental em que a IA está avançando significativamente. Soluções de saúde baseadas em IA, como sistemas de visão computacional, são ferramentas valiosas para analisar dados médicos, identificar anomalias que talvez não sejam visíveis a olho nu e viabilizar intervenções oportunas. Isso é especialmente importante para a detecção precoce de doenças, que pode melhorar significativamente os resultados para os 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 ampliando sua atuação na área da saúde. Modelos de visão computacional como YOLOv8 e YOLO11 podem agilizar a detecção de objetos médicos, identificando ferramentas e objetos em salas de cirurgia em tempo real e com alta precisão. Esses recursos podem ajudar cirurgiões a rastrear instrumentos cirúrgicos em tempo real, aumentando a precisão e a segurança dos procedimentos.

A Ultralytics desenvolveu vários modelos YOLO, incluindo:

• Ultralytics YOLOv5: Esta versão priorizou a facilidade de uso e a acessibilidade para desenvolvedores, adicionando recursos para acelerar o treinamento e aprimorar a implantação 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 mais recentes modelos YOLO na época da redação (desde então superados pelo Ultralytics YOLO26) superaram as versões anteriores em várias tarefas, incluindo detecção, segmentação, classificação, estimativa de pose e rastreamento.

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.
• Detecção de instrumentos cirúrgicos: O YOLOv8 pode ser usado para detectar e rastrear com precisão instrumentos cirúrgicos em tempo real durante cirurgias laparoscópicas. Isso é importante para melhorar a eficiência e a segurança.
• Cirurgia robótica: Em cirurgias robóticas, o Ultralytics YOLOv8 pode aumentar a precisão dos instrumentos cirúrgicos ao identificar marcos anatômicos essenciais e rastrear movimentos em tempo real. Essa detecção de objetos com IA pode melhorar a precisão e a segurança de cirurgias complexas e minimizar 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.
• Diagnóstico e exames por imagem: O YOLOv8 pode detectar e classificar anomalias em várias modalidades de imagem, como raios X, tomografias computadorizadas, ressonâncias magnéticas e ultrassonografias. O modelo de detecção de objetos Ultralytics YOLOv8 pode ser usado na oftalmologia para identificar anomalias na retina, como retinopatia diabética, e, na radiologia, os modelos podem detectar fraturas ósseas, ajudando radiologistas a avaliar casos de trauma.

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.
• Detecção de vários objetos médicos: O Ultralytics YOLOv8 pode detectar vários objetos em uma única imagem, como identificar diversos instrumentos médicos durante uma cirurgia ou detectar diferentes anomalias em um ambiente médico.
• Menor complexidade: Em comparação com detectores de dois estágios (como o Faster R-CNN), o Ultralytics YOLOv8 simplifica o processo de detecção ao executá-lo em um único estágio. Essa abordagem otimizada contribui para sua velocidade e eficiência, facilitando a implantação e a integração aos 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 grande poder computacional, o que pode ser uma limitação em ambientes com recursos limitados.

Executar inferências usando o modelo Ultralytics YOLOv8#

Para começar a usar o YOLOv8, instala o pacote Ultralytics. Podes instalá-lo com pip, conda ou Docker. Encontra instruções detalhadas no Guia de instalação da Ultralytics. Se tiveres algum problema, o nosso 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 está um exemplo rápido de como carregar um modelo YOLOv8 e usá-lo para detectar objetos numa imagem. Para ver exemplos mais detalhados e dicas de uso avançado, consulta a documentação oficial da Ultralytics para conhecer as práticas recomendadas e obter 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 conhecer o potencial da IA visual e acompanhar as nossas inovações mais recentes, visita o nosso repositório do GitHub. Junta-te à nossa crescente comunidade e vê como procuramos ajudar a transformar setores como a saúde e a indústria.