A IA Simbólica, fundamentada em lógicas de regras como SE-ENTÃO (IF-THEN), busca reproduzir o raciocínio humano. Ela opera com conhecimento explícito e lógica formal. Em um Sistema Especialista (SE) médico, isso se traduz em codificar o conhecimento e a experiência de um médico especialista em uma base de regras.
A IA Numérica, popularmente conhecida como Aprendizado de Máquina (Machine Learning), utiliza algoritmos estatísticos para identificar padrões complexos e sutis automaticamente, a partir de grandes volumes de dados.
A união dessas duas frentes permite combinar a interpretação humana e a transparência das regras com a precisão estatística e a capacidade de descoberta do aprendizado de máquina. O resultado é um Sistema de Apoio à Decisão (SAD) mais inteligente, robusto e, crucialmente, explicável.
A medicina moderna exige decisões rápidas e precisas, muitas vezes baseadas em um volume de dados clínicos que supera a capacidade de análise humana imediata. O diagnóstico clínico enfrenta dois desafios principais:
Diagnósticos Incorretos: Erros diagnósticos, que afetam milhões de pacientes anualmente, têm impacto direto na qualidade de vida e nos resultados do tratamento.
Variabilidade Humana: A intuição médica, embora valiosa, é variável. O contexto clínico, o cansaço ou a experiência individual podem criar inconsistências no diagnóstico.
Sistemas Especialistas tradicionais (apenas regras) são transparentes, mas podem ser rígidos e falhar em capturar nuances não previstas nas regras. Modelos de Machine Learning (apenas dados) são precisos e adaptáveis, mas frequentemente operam como “caixas-preta”, gerando desconfiança por não explicarem como chegaram a uma conclusão.
A hibridização surge como a solução ideal. Ela combina o raciocínio simbólico (as regras do médico) com o aprendizado estatístico (os padrões nos dados), potencializando ambas as abordagens e reduzindo as incertezas para tornar o diagnóstico mais preciso e explicável.
Para a construção do protótipo, definimos a seguinte metodologia:
Linguagem Principal: Python 3.9 (devido à compatibilidade entre as bibliotecas).
Machine Learning (IA Numérica): Scikit-learn, a principal biblioteca de ML do Python, utilizada para treinar o classificador.
Motor de Inferência (IA Simbólica): Experta (fork do Pyknow), biblioteca Python para a criação de Sistemas Especialistas baseados em regras (Knowledge Engine).
Manipulação de Dados: Pandas e Numpy.
Dataset: O estudo de caso utiliza o Breast Cancer Wisconsin (UCI), um dataset público e clássico para problemas de classificação binária (Maligno vs. Benigno).
Algoritmos Hibridizados: Árvore de Decisão (DecisionTreeClassifier) + Sistema de Regras (KnowledgeEngine do Experta).
Métricas de Avaliação: Aferimos o desempenho do sistema utilizando as métricas padrão de classificação: Acurácia, Precisão, Recall (Sensibilidade) e F1-Score, com foco especial na interpretabilidade.
Um sistema especialista híbrido não substitui o médico — ele amplia sua capacidade de decisão.
Nosso objetivo foi alcançado ao provar que a união do raciocínio humano (simbólico) com a análise de dados (estatística) cria diagnósticos mais justos, confiáveis e acessíveis. A inteligência artificial deve ser uma ferramenta que potencializa o conhecimento médico, mantendo o profissional como responsável final pela decisão clínica e pelo cuidado com o paciente.
Os resultados demonstram:
Confiabilidade Aumentada: O sistema reduz erros diagnósticos (Falsos Negativos) ao usar regras como rede de segurança.
Transparência Total: O médico compreende e pode validar cada passo do raciocínio do sistema através das justificativas.
Impacto Social: A abordagem permite efetivar diagnósticos precisos mesmo em contextos com menos especialistas disponíveis.
DARWICHE, A. Human-level intelligence or animal-like abilities? Communications of the ACM, v. 63, n. 2, p. 56-67, 2020.
KOTSIANTIS, S. B. Supervised machine learning: A review of classification techniques. Emerging artificial intelligence applications in computer engineering, v. 160, p. 3-24, 2007.
STREET, W. N.; WOLBERG, W. H.; MANGASARIAN, O. L. Nuclear feature extraction for breast cancer diagnosis. In: IS&T/SPIE’s Symposium on Electronic
Imaging: Science and Technology. International Society for Optics and Photonics, 1993. p. 861-870.
(Fonte do Dataset UCI).
TURBAN, E.; ARONSON, J. E.; LIANG, T. P.; SHARDA, R. Decision support and
business intelligence systems. 9. ed. Prentice Hall, 2011. (Baseado nos slides da disciplina).
