Pesquisadores do Imperial College London, no Reino Unido, desenvolveram uma ferramenta de inteligência artificial (IA) que integra dados de imagens médicas a um grafo de conhecimento, oferecendo uma visão aprofundada da estrutura e da função do coração. Batizada de CardioKG, a tecnologia aumenta a precisão na identificação de genes associados a doenças cardíacas e permite avaliar se medicamentos já existentes podem ser reaproveitados no tratamento dessas condições.
Para construir o sistema, os cientistas analisaram exames de imagem cardíaca de 4.280 participantes do UK Biobank com fibrilação atrial, insuficiência cardíaca ou histórico de infarto, além de 5.304 indivíduos saudáveis. A partir desse conjunto, foram geradas mais de 200 mil características baseadas em imagens, capazes de capturar variações sutis na anatomia e no funcionamento do coração.
Siga o canal do Correio no WhatsApp e receba as principais notícias do dia no seu celular
Segundo Khaled Rjoob, cientista de pesquisa pós-doutoral em ciência de dados e autor principal do trabalho, essas características foram extraídas de imagens de ressonância magnética cardíaca (RMC) com o uso de uma rede neural convolucional profunda. "Cada característica é usada para avaliar uma determinada região anatômica do coração. Em seguida, elas foram integradas ao grafo de conhecimento (GC) como se fossem nós, e os valores numéricos dessas características foram integrados como propriedades nas relações entre a característica da RMC e os demais nós conectados", explicou Khaled ao Correio. O estudo foi publicado na revista Nature.
O especialista em inteligência artificial Daniel Monteiro esclarece que um grafo de conhecimento funciona como um grande mapa de informações interligadas. Ele conecta dados como pessoas, empresas, cargos e outros atributos, permitindo que a inteligência artificial compreenda não apenas palavras isoladas, mas o contexto e as relações entre essas informações. Dessa forma, a IA passa a interpretar significados de forma muito mais próxima do raciocínio humano.
Já as redes neurais convolucionais (CNNs) são tecnologias voltadas para a análise visual. Elas permitem que a inteligência artificial reconheça padrões em imagens, como identificar rostos, objetos ou características específicas em fotos e vídeos. "A relação entre essas tecnologias está no fato de que sistemas avançados de inteligência artificial combinam grafos de conhecimento para entender conexões e contextos, enquanto utilizam redes neurais convolucionais para interpretar e correlacionar informações visuais. Juntas, essas abordagens tornam a IA mais precisa, contextual e inteligente", ressalta.
Mecanismo
O cientista esclarece que a integração de imagens, dados genéticos e informações clínicas foi viabilizada por ferramentas computacionais como Neo4j e PyTorch, com o suporte de GPUs em servidores locais. "Essa abordagem não se limita ao coração, podendo ser aplicada também a imagens de outros órgãos, como o cérebro. Além disso, o sistema é adaptável à incorporação de novos dados. Quando esses dados representam apenas uma extensão das informações já existentes, como novos nomes de medicamentos ou exposições, a atualização é simples e requer apenas a reexecução do código", explica, antes de ponderar: "No entanto, caso os novos dados introduzam uma entidade inédita no grafo de conhecimento, é necessário atualizar previamente o esquema do grafo antes de gerar os resultados finais".
Portanto, o CardioKG possibilita a análise integrada e ágil de grandes volumes de dados médicos, genéticos e de imagem. Ao estruturar essas informações em um grafo de conhecimento e empregar técnicas de inteligência artificial, o sistema é capaz de identificar relações ocultas entre genes, doenças cardíacas e medicamentos, conexões que dificilmente seriam detectadas por métodos tradicionais. Dessa forma, os pesquisadores podem prever o reaproveitamento de medicamentos já existentes para outros males no tratamento de doenças cardíacas, reduzindo tempo e custos e acelerando o desenvolvimento de novas terapias.
"A rede neural foi utilizada exclusivamente para segmentar as imagens de ressonância magnética cardíaca (RMC) e extrair características relevantes dos dados de imagem. Após a integração dessas características ao grafo de conhecimento (GC), um algoritmo de incorporação foi aplicado para transformar o GC em vetores de representação. Por fim, algoritmos de aprendizado de máquina foram empregados para prever associações entre genes ou medicamentos e doenças, com base nas representações vetoriais geradas", reforça Khaled.
Descobertas e desafios
De acordo com o estudo, o modelo identificou novos genes associados a doenças cardíacas e previu o potencial de dois medicamentos já existentes no tratamento dessas condições. O metotrexato, usado contra a artrite reumatoide, poderia melhorar a insuficiência cardíaca, enquanto as gliptinas, indicadas para o tratamento do diabetes, poderiam ser benéficas para a fibrilação atrial. A equipe também fez uma descoberta inesperada: a cafeína, que aumenta a excitação cardíaca, apresentou efeito protetor em pacientes com fibrilação atrial que têm pulso irregular e acelerado.
Para Khaled, os principais desafios técnicos do trabalho envolveram a integração de mais de 200 mil elementos de imagem ao grafo de conhecimento de modo a permitir um raciocínio eficaz, além da geração de representações vetoriais a partir desse grafo. Ele destaca que os algoritmos tradicionais de incorporação costumam depender principalmente da estrutura do grafo e, em geral, ignoram os atributos dos nós e das relações.
"A tecnologia permite o reaproveitamento de medicamentos ao identificar ligações ocultas entre remédios, doenças e mecanismos biológicos que não são evidentes em análises tradicionais de dados", afirma Khaled. De acordo com ele, o CardioKG tem potencial para apoiar a tomada de decisões clínicas no futuro. "Para que possa ser amplamente utilizado por médicos e hospitais, será necessário o desenvolvimento de uma interface gráfica de usuário (GUI) capaz de traduzir dados e previsões complexas em informações claras e práticas para o uso clínico."
* Estagiária sob a supervisão de Lourenço Flores