Modelo da AI Foundation prevê doenças a partir de exames cerebrais

O cérebro humano é complexo. Inteligência artificial O aprendizado de máquina (IA) e os dados de imagens médicas estão acelerando avanços na saúde do cérebro, especialmente em diagnósticos médicos. Uma revisão por pares estudar publicado hoje em Natureza Neurociência revela um modelo básico de IA chamado BrainIAC (Brain Imaging Adaptive Core) que é capaz de prever a idade do cérebro, demênciatempo até o acidente vascular cerebral e câncer cerebral por ressonância magnética cerebral (MRI).

“Descobrimos que o BrainIAC supera consistentemente os modelos supervisionados tradicionais e transfere o aprendizado de modelos de imagens biomédicas mais gerais em uma ampla gama de aplicações posteriores em exames saudáveis e contendo doenças com ajuste mínimo”, escreveu o autor correspondente Benjamin Kann do Dana-Farber Cancer Institute e Brigham and Women’s Hospital e Harvard Medical School em Boston, junto com os co-autores Divyanshu Tak, Biniam Garomsa, Anna Zapaishchykova, Tafadzwa Chaunzwa, Juan Carlos Climent Pardo, Zezhong Ye, John Zielke, Yashwanth Ravipati, Suraj Pai, Sri Vajapeyam, Maryam Mahootiha, Mitchell Parker, Luke Pike, Ceilidh Smith, Ariana Familiar, Kevin Liu, Sanjay Prabhu, Omar Arnaout, Pratiti Bandopadhayay, Ali Nabavizadeh, Sabine Mueller, Hugo Aerts, Raymond Huang e Tina Poussaint.

O que diferencia este estudo é a generalização de seu modelo básico de IA. Os modelos tradicionais ou restritos de aprendizado de máquina de IA são normalmente para uma tarefa de propósito único e geralmente são treinados a partir de pequenos conjuntos de dados de treinamento que consistem em dados rotulados. Os modelos de fundação, por outro lado, são mais flexíveis, de uso geral e podem realizar uma ampla gama de tarefas; são pré-treinados usando aprendizagem auto-supervisionada em conjuntos de dados massivos que consistem em dados não rotulados; e usar a aprendizagem por transferência para aplicar o conhecimento adquirido de uma tarefa para outra. Um exemplo de tipo de modelo básico é um modelo de linguagem grande (LLM). Exemplos de LLMs incluem GPT da OpenAI (GPT-5, GPT-4.1, etc.), Gemini, BERT, PaLM, T5 e XLNet do Google, Llama da Meta AI, Claude da Anthropic e Grok da xAI, entre outros. Outro tipo de modelo de base é para imagens e/ou multimodais, como DALL-E da OpenAI, Stability AI’s Stable Diffusion e Google DeepMind’s Imagen.

A neurociência tem o desafio de dados cerebrais esparsos para treinar algoritmos de IA. A precisão geral do desempenho do aprendizado de máquina de IA depende de vários fatores, dos quais a quantidade e a qualidade dos dados de treinamento são fundamentais.

Para seu modelo básico de IA, os pesquisadores usaram dados de imagem de 34 conjuntos de dados que totalizam mais de 48.900 exames de ressonância magnética cerebral em 10 condições neurológicas. As condições incluem doença de Alzheimer (10.222 exames), demência (2.749 exames), acidente vascular cerebral (3.641 exames), doença de Parkinson (547 exames), câncer cerebral (200 exames de glioma de alto grau, 8.537 exames de glioblastoma e 990 exames de glioma difuso), glioma pediátrico de baixo grau (5.999 exames), autismo transtorno do espectro (1.099 exames) e saudável (14.981 exames).

O modelo de base de IA executa uma ampla gama de tarefas, incluindo previsão de sobrevivência geral ao câncer cerebral, demência, idade cerebral, mutações da isocitrato desidrogenase (IDH), classificação de sequência, tempo até o acidente vascular cerebral e segmentação de tumor cerebral. O glioblastoma multiforme (GBM) é um câncer cerebral agressivo e mortal que não tem cura e é a forma mais comum de câncer cerebral maligno. Mutações no IDH podem ajudar a classificar o GBM, de acordo com um estudo diferente publicado em Ciência em 2008 por D. Williams Parsons et al.

Os cientistas compararam seu modelo básico de IA com modelos de IA pré-treinados e descobriram que ele superou outros modelos de IA de aprendizagem supervisionada pré-treinados, especialmente em situações de poucos disparos, baixas quantidades de dados e quando as tarefas de previsão têm um alto grau de dificuldade.

“Nossas descobertas demonstram as capacidades adaptativas e de generalização do BrainIAC, posicionando-o como uma base poderosa para o desenvolvimento de ferramentas de aprendizagem profunda baseadas em imagens clinicamente utilizáveis, particularmente em cenários de dados limitados”, escreveram os cientistas.

De acordo com a equipe de pesquisa, eles criaram o maior modelo básico de IA de ressonância magnética cerebral pré-treinado, que é mais flexível do que os modelos tradicionais de IA de ressonância magnética cerebral estreita treinados por meio de aprendizado supervisionado. Como próximos passos, a equipe planeja explorar a incorporação de dados ômicos e clínicos para tornar seu modelo de base de IA multimodal, bem como para melhorar o desempenho.

“O BrainIAC pode ser integrado em pipelines de imagens e estruturas multimodais e pode levar a uma melhor descoberta de biomarcadores e a resultados artificiais. inteligência tradução clínica”, concluíram os pesquisadores.

Fonte