NVIDIA e Dasa Firmam Parceria para Desenvolver Algoritmo para COVID-19 em Duas Semanas

No Brasil, nova forma de treinar IA usando o aprendizado unificado auxilia no combate a pandemia. São mais de 20 instituições ao redor do mundo usando a tecnologia.
por Marcio Aguiar

O ano de 2020 foi marcado pela pandemia de Covid-19, que antecipou muitas transformações digitais e ampliou a necessidade de mais processamento e agilidade por parte das empresas de tecnologia. Nesse período complexo, a NVIDIA continua revolucionando o mercado e lidera um experimento para desenvolver algoritmos de Inteligência Artificial capazes de auxiliar no combate aos casos de Covid-19 com um formato único de Aprendizado Unificado (Federated Learning).

Com o Aprendizado Unificado é possível desenvolver algoritmos de IA melhores em menos tempo, mantendo em segurança e no anonimato os dados utilizados. Nesse experimento específico, a NVIDIA criou uma rede com mais de 20 hospitais, laboratórios de pesquisas e universidades renomadas ao redor do mundo. Do Brasil, participou a Dasa, líder em medicina diagnóstica na América Latina.

O processo comum seria cada instituição da rede pegar os dados que possui, torná-los anônimos – que é um processo manual ainda e necessita de tempo para ser mais seguro –, e então treinar sua própria rede neural. “Usamos radiografias de tórax e dados clínicos para construir um algoritmo que prevê se o paciente internado vai precisar ou não de intubação, por exemplo. No cenário de pandemia, isso otimiza a correta gestão de leitos e é importante para os hospitais”, explica Felipe Kitamura, head de Inteligência Artificial da Dasa.

“Para otimizar o tempo e melhorar a segurança da informação, a NVIDIA desenvolveu um formato de treinamento descentralizado do algoritmo. No conceito do Aprendizado Unificado, cada instituição coletou e realizou os próprios processos de segurança nos dados, mas essas informações não precisaram sair para outros locais. A NVIDIA recebeu apenas as correções das redes neurais de cada local no algoritmo, foram apenas dados estatísticos. Depois o novo algoritmo é compartilhado na rede”, explica Marcio Aguiar, diretor da NVIDIA Enterprise para América Latina. “Isso torna também o treinamento de IA mais seguro para o paciente, pois a informação, mesmo anônima, não é compartilhada”, complementa.

“Algoritmos criados com base apenas nos dados de uma instituição podem não funcionar tão bem em outros locais. Com o uso do aprendizado unificado (Federated Learning), o resultado do algoritmo é muito mais robusto e escalável”, comenta Kitamura.

O algoritmo desenvolvido no Aprendizado Unificado organizado pela NVIDIA, auxiliou a Dasa a criar um algoritmo muito melhor do que se tivessem sido utilizados apenas dados de exames da população brasileira. Foi possível ter o benefício de utilizar dados de diversos locais do mundo para criar um algoritmo melhor do que cada instituição participante utilizasse apenas seu próprio dado. E o melhor de tudo é que não houve nenhuma necessidade de compartilhamento de dados, que o grande diferencial do aprendizado unificado.

Agilidade e Assertividade, Graças à Tecnologia

Graças a agilidade no processamento dos dados, foi possível desenvolver um algoritmo em apenas duas semanas, alcançando 94% de assertividade. Para chegar a esse resultado em tão curto tempo e acelerar o processamento, todos os treinamentos do algoritmo usaram tecnologia NVIDIA, como o Framework de Federated Learning do NVIDIA Clara e a NVIDIA Clara para treinar os modelos locais.

O modelo original do algoritmo, nomeado de CORISK, foi desenvolvido pelo cientista Dr. Quanzheng Li, no Mass General Brigham. Ele combina imagens médicas e registros de saúde para ajudar os médicos a gerenciar as internações de maneira mais eficaz, em um momento em que muitos países podem começar a atender novas ondas de pacientes com COVID-19.

Além da Dasa no Brasil, outros participantes do projeto ao redor do mundo foram: Mass Gen Brigham e seus hospitais afiliados; Children’s National Hospital em Washington, D.C.; NIHR Cambridge Biomedical Research Center; Hospital Central das Forças de Defesa em Tóquio; National Taiwan University MeDA Lab e MAHC e Taiwan National Health Insurance Administration; Hospital Geral Tri-Service em Taiwan; Hospital da Universidade Nacional de Kyungpook na Coreia do Sul; Faculdade de Medicina da Universidade Chulalongkorn na Tailândia; Universidade da Califórnia, São Francisco; VA San Diego; Universidade de Toronto; Institutos Nacionais de Saúde em Bethesda, Maryland; Escola de Medicina e Saúde Pública da Universidade de Wisconsin-Madison; Memorial Sloan Kettering Cancer Center em Nova York; e Mount Sinai Health System em Nova York.