A IA do Google é melhor que médicos humanos no diagnóstico de erupções cutâneas a partir de fotos
O chatbot pode analisar imagens de assistência médica, como PDFs de resultados de exames, para diagnosticar com precisão uma série de condições médicas.
Uma versão atualizada do chatbot médico do Google pode usar fotos de smartphones para diagnosticar erupções cutâneas e avaliar uma série de outros tipos de imagens médicas, melhorando a capacidade do bot de identificar a causa de doenças.
Uma versão anterior do sistema de inteligência artificial (IA) superou os médicos em precisão diagnóstica e no atendimento ao paciente. A atualização também se saiu melhor do que médicos humanos na interpretação de imagens como eletrocardiogramas e PDFs de resultados laboratoriais.
A versão mais recente do sistema, chamada Articulate Medical Intelligence Explorer (AMIE), ainda em fase experimental, foi descrita em um artigo publicado no servidor de pré-impressão arXiv em 6 de maio. Ainda não foi revisado por pares. O desenvolvimento de sistemas que integram imagens e informações clínicas “nos aproxima de um assistente de IA que espelha o pensamento real de um médico”, afirma Eleni Linos, diretora do Centro de Saúde Digital da Universidade Stanford, na Califórnia, que não participou da pesquisa.
Simulação de cuidados de saúde
Para testar os novos recursos da AMIE, 25 atores representando pacientes tiveram consultas virtuais com o chatbot e um médico de atenção primária. Os atores simularam 105 cenários médicos envolvendo uma variedade de sintomas e históricos médicos. Eles também apresentaram imagens médicas relevantes.
Após cada consulta, tanto a AMIE quanto o médico humano sugeriram um diagnóstico e um plano de tratamento. Uma equipe de 18 especialistas em dermatologia, cardiologia e clínica médica avaliou o desempenho do chatbot e dos médicos humanos analisando as transcrições das consultas e os relatórios pós-consulta.
Eles descobriram que, em geral, o AMIE obteve maior precisão em seus diagnósticos do que os médicos humanos. Além disso, sua precisão foi menos afetada por problemas como imagens de baixa qualidade.
Faculdade de medicina para um médico de IA
A versão atualizada do chatbot é baseada no modelo de linguagem de grande porte (LLM) Gemini 2.0 Flash do Google , que pode processar imagens. Os pesquisadores o adaptaram para fins médicos, adicionando um algoritmo para aprimorar a capacidade do LLM de conduzir conversas diagnósticas e raciocínio clínico.
Para confirmar que o sistema resultante era de fato superior à versão inalterada do Gemini 2.0, os pesquisadores comandaram o modelo para simular diálogos entre paciente e médico, nos quais o modelo desempenha os papéis de um paciente, um médico e um terceiro que avalia as conversas entre os dois. “Dessa forma, é possível imbuí-lo com os comportamentos corretos e desejáveis ao conduzir uma conversa diagnóstica”, diz Ryutaro Tanno, cientista do Google DeepMind em Londres e coautor do estudo.
O método é diferente de versões anteriores do trabalho, que envolviam o retreinamento do modelo com bancos de dados especializados — um processo mais trabalhoso, diz Tanno. “Isso é muito mais barato e potencialmente [mais] acessível.”
Cenários envolvendo atores também são usados para avaliar médicos humanos, diz Linos. Ela observa, no entanto, que interações simuladas não conseguem capturar a complexidade do atendimento no mundo real. “Os médicos trazem experiência, intuição e a capacidade de examinar fisicamente um paciente, elementos difíceis de replicar em um roteiro simulado.”
Os resultados são “promissores, mas certamente há muita incerteza sobre como seriam úteis”, afirma Dan Zeltzer, especialista em saúde digital da Universidade de Tel Aviv, em Israel. Ele também observa que o artigo não detalha os códigos e instruções usados pelos desenvolvedores, o que significa que outros pesquisadores não podem reproduzir o sistema ou desenvolvê-lo.
Implementar esses modelos no mundo real seria um desafio, afirma Xueyan Mei, cientista de IA da Escola de Medicina Icahn, no Monte Sinai, em Nova York. “Dito isso, acreditamos que modelos de linguagem de grande porte para diagnóstico seriam o caminho a seguir no futuro”, acrescenta.
doi: https://doi.org/10.1038/d41586-025-01437-w
Fonte: Nature
