Imagine um par de olhos que parecem granulosos, ardem sob o sol ou ficam embaçados quando você tenta ler uma tela. Isso é a doença do olho seco, uma condição comum e frequentemente frustrante, onde a superfície do olho carece de umidade suficiente ou do tipo certo de óleo para se manter saudável. Não é apenas um incômodo menor; pode danificar a visão e tornar a vida diária difícil. Diagnosticá-la, no entanto, é complicado. Um médico não pode confiar em um único teste. Em vez disso, ele deve montar um quebra-cabeça feito de muitas pistas diferentes: como o paciente descreve sua dor, seu histórico médico, seus hábitos de estilo de vida, como o tempo que passa em computadores, e o que o médico vê ao olhar através de um microscópio para a superfície do olho. Por anos, a inteligência artificial foi boa em olhar para imagens ou ler números, mas teve dificuldade em fazer ambos ao mesmo tempo de uma forma que mimetizasse o raciocínio cuidadoso de um médico humano.

Uma equipe de pesquisadores de hospitais e institutos de pesquisa da China construiu um novo tipo de programa de computador projetado para resolver exatamente este problema. Eles criaram um sistema que atua como um especialista digital, capaz de ler as respostas escritas dos pacientes em questionários, compreender seu histórico médico e examinar fotografias de alta resolução de seus olhos, tudo ao mesmo tempo. Este sistema, que chamam de modelo de linguagem de grande escala multimodal, foi treinado para reconhecer os padrões complexos que sinalizam a doença do olho seco. Ao combinar esses diferentes tipos de informação, o modelo visa detectar a doença precocemente, antes que ela se torne grave, e confirmar um diagnóstico com alta precisão. Os pesquisadores testaram esta ferramenta em centenas de pacientes e descobriram que ela poderia distinguir efetivamente olhos saudáveis de olhos que sofrem de olho seco, apresentando um bom desempenho mesmo quando testada em dados de diferentes hospitais com equipamentos diferentes.

O estudo começou com a coleta de uma grande coleção de dados do mundo real de quatro hospitais diferentes. A equipe inscreveu 874 participantes, dividindo-os em dois grupos. O primeiro grupo, composto por 743 pacientes, veio de um único hospital em Pequim e foi usado para ensinar o computador a reconhecer a doença. O segundo grupo, com 131 pacientes de outros três hospitais em cidades diferentes, foi mantido separado para testar se o computador poderia aplicar o que aprendeu a novas situações não vistas. Cada participante passou por um exame minucioso. Eles preencheram questionários detalhados sobre seus sintomas, como a frequência com que sentiam os olhos secos ou o quanto sua visão oscilava. Eles também forneceram seu histórico médico, incluindo informações sobre sua idade, quaisquer outras condições de saúde e seus hábitos diários, como o tempo que passavam olhando para telas eletrônicas.

Junto com essas respostas escritas, os médicos tiraram fotografias detalhadas dos olhos dos pacientes. Essas imagens mostravam a superfície do olho, as minúsculas glândulas de óleo nas pálpebras e os vasos sanguíneos. Em alguns casos, os médicos usaram um corante especial para destacar áreas danificadas na superfície do olho. Os pesquisadores inseriram todas essas informações — as respostas das pesquisas, o histórico médico e as imagens dos olhos — em seu novo modelo de computador. O modelo foi construído sobre uma base poderosa de tecnologia de inteligência artificial existente, mas foi especialmente ajustado para compreender a linguagem médica e as imagens. Uma parte fundamental do design foi um método para traduzir os números estruturados dos registros médicos, como as pontuações das pesquisas, em linguagem natural que o computador pudesse processar junto com as imagens. Isso permitiu que o modelo visse as conexões entre um paciente dizer que seus olhos ardem e a vermelhidão específica visível em uma fotografia.

Os pesquisadores pediram ao modelo para realizar duas tarefas principais. A primeira foi o alerta precoce, onde o sistema tentava prever o risco de olho seco baseando-se apenas nas respostas do questionário e nos fatores de estilo de vida, antes que qualquer imagem ocular fosse tirada. A segunda tarefa foi o diagnóstico, onde o modelo utilizou todas as informações disponíveis, incluindo as imagens dos olhos, para determinar se o paciente definitivamente tinha a doença. A equipe testou o modelo contra dois conjuntos diferentes de regras usados por médicos: um conjunto de diretrizes internacionais e outro de diretrizes específicas da China. Essas regras definem exatamente qual combinação de sintomas e sinais conta como a doença.

Os resultados mostraram que o modelo foi altamente eficaz. Ao tentar prever o risco de olho seco usando apenas os dados do questionário, o modelo foi correto cerca de 96 por cento das vezes de acordo com as diretrizes chinesas e cerca de 82 por cento das vezes de acordo com as diretrizes internacionais. Foi particularmente bom em detectar a doença quando ela estava presente, perdendo muito poucos casos. Quando o modelo recebeu as imagens dos olhos além das respostas das pesquisas para fazer um diagnóstico final, sua precisão melhorou ainda mais. Ele identificou corretamente a doença em mais de 92 por cento dos casos sob as regras internacionais e mais de 93 por cento sob as regras chinesas. O modelo também foi muito bom em identificar corretamente pessoas que não tinham a doença, evitando alarmes falsos.

Para entender como o modelo tomava suas decisões, os pesquisadores observaram em quais peças de informação ele mais confiava. Eles descobriram que os dados estruturados dos questionários e registros médicos eram o fator mais importante. Quando removeram essa informação e pediram ao modelo para depender apenas das imagens dos olhos, seu desempenho caiu significativamente. Isso sugere que, para a doença do olho seco, a própria descrição do paciente sobre seus sintomas e seu histórico médico são os indicadores mais fortes. No entanto, as imagens ainda eram valiosas. O modelo as utilizava para confirmar suas suspeitas e para apontar sinais físicos específicos, como glândulas de óleo bloqueadas ou minúsculos pontos de dano na superfície do olho. O computador aprendeu a focar sua atenção nas áreas exatas do olho que um médico humano examinaria, destacando a vermelhidão e a textura das glândulas das pálpebras.

A equipe também testou o modelo no grupo separado de pacientes dos outros três hospitais para ver se ele funcionaria em diferentes cenários do mundo real. Esses hospitais usavam câmeras e equipamentos diferentes para tirar as fotos dos olhos. Apesar dessas diferenças, o modelo manteve seu alto nível de precisidade. Ele diagnosticou com sucesso a doença no novo grupo de pacientes, provando que poderia se adaptar a variações na forma como os dados eram coletados. Isso sugere que a ferramenta poderia ser útil em uma ampla gama de clínicas, não apenas naquela onde foi criada originalmente. Os pesquisadores observaram que o modelo foi especialmente bom em identificar a doença em adultos mais velhos, um grupo onde a condição é mais comum, embora tenham reconhecido que os dados incluíam menos casos de doença muito leve.

O estudo conclui que esta nova abordagem oferece uma maneira promissora de melhorar como a doença do olho seco é detectada e diagnosticada. Ao combinar a voz do paciente com a evidência visual do médico, o modelo cria um quadro mais completo da saúde do paciente do que qualquer um dos métodos poderia fornecer isoladamente. Os pesquisadores enfatizam que, embora a ferramenta seja poderosa, ela foi projetada para auxiliar os médicos, não para substituí-los. Ela fornece uma forma robusta e escalável de rastrear a doença e apoiar decisões clínicas, potencialmente ajudando a detectar a condição mais cedo e reduzir o fardo dos pacientes que sofrem de desconforto ocular crônico. O trabalho demonstra que, quando a inteligência artificial é treinada para compreender tanto os números quanto as imagens que os médicos usam todos os dias, ela pode se tornar uma parceira confiável no cuidado à saúde ocular.