O episódio, apresentado por Marcos Mendes e Fabrício Carraro, recebe Alysson Mazoni, PhD, líder de machine learning na Linda Lifetech. A conversa explora profundamente a tecnologia desenvolvida pela Linda, que utiliza inteligência artificial e termografia para auxiliar na detecção precoce do câncer de mama.

A tecnologia e seu funcionamento

Alysson Mazoni explica que a Linda Lifetech, que nasceu de um hackathon da IBM em 2017 e se tornou uma empresa em 2019, desenvolveu uma solução que combina hardware acessível e software complexo. A tecnologia utiliza um sensor infravermelho (termográfico) de baixo custo, originalmente projetado para manutenção industrial, que é acoplado a um smartphone comum.

Este sensor captura uma foto infravermelha do busto da paciente. A imagem térmica, que essencialmente mede a intensidade de calor (sendo, portanto, monocromática em sua essência) , é então alimentada em um modelo de machine learning. Mazoni menciona que, embora não possa detalhar a arquitetura exata devido a uma patente pendente, o modelo foi desenvolvido utilizando ferramentas de AutoML em seus estágios iniciais para ajudar a definir a arquitetura mais adequada para o problema.

O desafio central: o protocolo e os dados

Uma parte crucial da discussão foca nos desafios e limitações da tecnologia. Mazoni enfatiza que esta não é uma ferramenta para uso doméstico [05:34]. O sistema exige um protocolo rigoroso para funcionar corretamente, pois o modelo de IA é altamente sensível às condições de aquisição da imagem. Fatores como a distância fixa entre a paciente e o sensor [05:12], uma temperatura ambiente controlada (exigindo ar condicionado) [05:18] e um posicionador físico para o busto [05:23] são essenciais. Ele cita um exemplo de testes no Amazonas que falharam porque o ar condicionado do local havia quebrado, demonstrando a sensibilidade do método [15:52].

O maior gargalo para a evolução do projeto, segundo Mazoni, não é o poder computacional ou os avanços teóricos da IA, mas sim a aquisição de dados médicos de qualidade [14:42]. A equipe precisa de um grande volume de imagens de mulheres com diversas etnias, idades e biotipos [04:10]. O mais difícil, no entanto, é obter “casos positivos” ou suspeitos, pois, felizmente, o câncer de mama é raro na população em geral [04:25]. Idealmente, esses casos suspeitos precisam ser validados por biópsias para confirmar o diagnóstico, garantindo que o modelo seja treinado com informações precisas [04:38].

A aplicação real: suporte, não diagnóstico

Mazoni é enfático ao afirmar que a ferramenta da Linda não é, e legalmente não pode ser considerada, uma ferramenta de diagnóstico [06:49]. A mamografia continua sendo o padrão-ouro. A solução da Linda atua como uma “ferramenta de suporte” cuja principal função atual é o “ordenamento de fila” [06:56].

Em locais com alta demanda e longas esperas por mamografias (um exame caro, doloroso e que utiliza radiação), a tecnologia da Linda oferece uma triagem rápida, barata e não invasiva. O sistema analisa a imagem termográfica e, se detectar padrões de calor suspeitos, sinaliza aquela paciente como prioritária, permitindo que ela “fure a fila” e realize a mamografia mais rapidamente [07:02].

O futuro do modelo e a comparação com a mamografia

Questionado sobre melhorias futuras, Mazoni descarta a ideia de usar dados históricos de mamografia para treinar o modelo de termografia [10:59]. Ele explica que são exames de natureza fundamentalmente diferente: a termografia é passiva e lê o calor emitido pelo corpo [11:10], enquanto a mamografia é ativa e insere radiação (raio-X) no corpo [11:20]. As imagens resultantes não são comparáveis do ponto de vista computacional [11:38].

O caminho para aprimorar o modelo, segundo ele, envolve:

1. Melhores sensores: Embora o sensor de celular seja ótimo para acessibilidade, sensores de maior resolução poderiam capturar mais detalhes [05:51].
2. Múltiplos ângulos: Coletar imagens de diferentes ângulos, em vez de uma única foto frontal, para criar uma visão mais completa [06:25].
3. Conhecimento médico: Sair da abordagem de “caixa-preta” e começar a incorporar conhecimento médico explícito no modelo [06:36]. Por exemplo, a literatura médica sugere que padrões de calor assimétricos ou focos de calor não circulares são mais suspeitos [08:11].
4. Dados históricos: Acompanhar a mesma paciente ao longo dos anos, criando um histórico termográfico individual [10:44].

Ceticismo, carreira e regulamentação

Mazoni dedica uma parte significativa da conversa para articular seu ceticismo em relação ao “hype” da IA. Ele argumenta que o termo “Inteligência Artificial” é um nome errado [16:28], preferindo descrever seu trabalho como “estatística estocástica e otimização multivariável” [16:32]. Ele critica a narrativa da mídia como “violentamente antropomorfizada” [16:50] e chega a afirmar que a IA Generativa “promete ser um dos grandes fracassos do último meio século” [17:02], argumentando que o verdadeiro valor está na aplicação focada e não na busca por uma superinteligência.

Ele também aborda a trajetória da Linda, que, apesar de ter começado no Brasil, hoje é sediada no Canadá devido ao cenário de investimento mais favorável [25:51]. Sobre a regulamentação, ele menciona as dificuldades de aprovação na Anvisa (Agência Nacional de Vigilância Sanitária). O processo foi caro e burocrático, sendo facilitado apenas pelo fato de a tecnologia ser não invasiva, ou seja, não causar mal direto à paciente [33:45].

Finalmente, ao ser perguntado sobre conselhos para quem deseja entrar na área, Mazoni reforça seu ceticismo com o hype e foca nos fundamentos: aprender a programar (especificamente Python) [35:50], entender a arquitetura básica de computadores e familiarizar-se com ferramentas de nuvem [37:04]. Ele conclui que o conhecimento específico (como medicina) é adquirido durante o desenvolvimento do projeto [37:28].