Adolescentes desenvolvem IA de reconhecimento de caligrafia para detectar a doença de Parkinson

Utilizando machine learning baseado em GPU da NVIDIA para aceleração do processo, os jovens estadunidenses Tanish Tyagi e Riya Tyagi, de 16 e 14 anos, respectivamente, publicaram um trabalho de pesquisa sobre o uso de machine learning para detectar a doença de Parkinson, concentrando-se principalmente na micrografia, condição que diminui o trabalho da letra e acompanha muitos parkinsonianos, comprometendo a comunicação de forma escrita.

Tanish publicou seu primeiro trabalho de pesquisa há um ano sobre deep learning para detectar demência e assim começou uma busca familiar. Os bisavós de sua família sofriam de Parkinson, então, destinou suas pesquisas para essa doença junto com sua irmã.

A ideia dos jovens é criar um modelo amplamente acessível para que a detecção precoce seja possível para pessoas em todo o mundo com acesso limitado a clínicas. Os Tyagis, que fizeram a pesquisa durante as férias de verão, frequentam internato americano Phillips Exeter Academy.

“Me alegra ver ações como essa serem possíveis e criadas por pessoas tão jovens. A NVIDIA contribui com essas inovações e esperamos que cada vez mais descobertas a área da saúde sejam realizadas e, desta forma, possamos conceder uma vida melhor a todos que sofrem com condições deste tipo”, comemora Marcio Aguiar, diretor da divisão Enterprise da NVIDIA para América Latina.

Identificando micrografia para sinais

Tanish decidiu pesquisar sobre o Parkinson em fevereiro de 2021, quando tinha apenas 15 anos. Ele havia aprendido recentemente sobre micrografia.

Não muito tempo depois, Tanish ouviu uma palestra dos pesquisadores da Penn State University, Ming Wang e Lijun Zhang, sobre Parkinson. Após isso, ele procurou a orientação deles para buscá-lo para detecção, e os professores concordaram em supervisionar o projeto. Além disso, Wang também está trabalhando com laboratórios do Massachusetts General Hospital em conexão com esta pesquisa.

“O trabalho de Tanish e Riya visa aprimorar a previsão de micrografia, realizando análises secundárias de imagens públicas de caligrafia e adotando machine learning de última geração. As descobertas podem ajudar os pacientes a receber diagnóstico e tratamento precoces para melhores resultados de saúde”, afirma o Dr. Zhang, Professor Associado do Instituto de Medicina Personalizada da Penn State University.

Em seu artigo, os Tyagis usaram o machine learning baseado em GPU da NVIDIA para extração de recursos de características de micrografia. O conjunto de dados incluiu imagens de código aberto de exames de desenho de 53 pessoas saudáveis e 105 pacientes de Parkinson. Eles extraíram várias características dessas imagens que lhes permitiram analisar os tremores por escrito.

“Estas são características que identificamos em diferentes documentos e que vimos que outros tiveram sucesso”, diz Riya. Com um conjunto de dados maior e mais equilibrado, a alta precisão de previsão de cerca de 93% pode ficar ainda melhor.

Desenvolvendo uma rede neural convolucional para diagnóstico

Tanish já havia usado a GPU NVIDIA GeForce RTX 3080 de seu laboratório em um projeto de processamento de linguagem natural para pesquisa de demência. Mas nenhum dos irmãos tinha muita experiência com visão computacional antes de iniciar o projeto de Parkinson.

Atualmente, os dois estão trabalhando em uma rede neural convolucional com aprendizado de transferência para montar um modelo que pode ser útil para diagnóstico em tempo real.

“Estamos trabalhando no processamento da imagem de um usuário, alimentando-a no modelo e retornando resultados abrangentes para que o usuário possa realmente entender o diagnóstico que o modelo está fazendo”, diz Tanish.

Mas primeiro os Tyagis desejam aumentar o tamanho de seu conjunto de dados para melhorar a precisão do modelo. Seu objetivo é desenvolver ainda mais o modelo e construir um site. Eles querem que a detecção de Parkinson seja tão fácil que as pessoas possam preencher um formulário de avaliação de caligrafia e enviá-lo para detecção.

“Poderia ser implantado para o público em geral e usado em ambientes clínicos, e isso seria incrível”, finaliza Tanish.