Eventos
Divulgação - Defesa Nº 211
Aluno: Élisson da Silva Rocha
Título: “DEEPTUB: Plataforma para predição de morte por tuberculose baseado em modelos de Deep Learning utilizando dados demográficos, clínicos e laboratoriais”.
Orientador: Profa. Patricia Takako Endo
Coorientador: Vanderson de Souza Sampaio
Data-hora: 19/Agosto/2020 (11:00h)
Local: Escola Politécnica de Pernambuco – Formato Remoto (https://meet.google.com/oko-vvbx-xmi)
Resumo:
“De acordo com a Organização Mundial da Saúde (OMS), a tuberculose é uma das dez principais causas de morte no mundo, sendo uma das doenças infecciosa mais mortal, superando o HIV e a malária. Vinte países em todo o mundo respondem por 83% das incidências de tuberculose no mundo; e o Brasil é um desses países. Embora existam numerosos estudos de machine learning e deep learning para melhorar o diagnóstico de tuberculose, há uma escassez de pesquisas sobre previsão de mortalidade pós-diagnóstico. Essa análise pode informar e melhorar significativamente a eficácia do tratamento pós-diagnóstico, resultando em melhor qualidade de vida dos pacientes e alocação de recursos no sistema de saúde. O objetivo desta dissertação é desenvolver uma plataforma, denominada DeepTub, para auxiliar na tomada de decisão de especialistas de saúde no pós-diagnostico de tuberculose. Três modelos de DL são propostos, uma rede neural totalmente conectada (do inglês fully connected neural network - FCNN) e uma rede neural convolucional (do inglês convolutional neural network - CNN) e outra FCNN utilizando a técnica de Ensemble com os dois primeiros modelos. Para tanto, foram utilizados dados do Sistema Nacional de Informações sobre Doenças Notificáveis (SINAN) de 2007 a 2018. Os modelos de deep learning apresentam resultados promissores, com destaque para o modelo CNN que obteve melhores valores em cinco métricas, com destaque para precisão e especificidade com 74.71% e 74.87%, respectivamente. Outra analise realizada em cima dos modelos, foi em relação a confiança da predição para altas probabilidades, e nesse caso, o modelo CNN chegou a 92.31% de sensibilidade para os pacientes acima de 90% de probabilidade de óbito ou não óbito. Sobre a interface gráfica desenvolvida, a mesma já foi bem aceita pelos especialistas de saúde por sua usabilidade e simplicidade.”
Divulgação - Defesa Nº 210
Aluno: Gabriel Alves de Lima
Título: “Diagnóstico de deficiências cognitivas e detecção de possíveis erros de rotulação para Doença de Alzheimer usando aprendizado não supervisionado”.
Orientador: Prof. Carmelo José Albanez Bastos Filho
Coorientador: Anthony José da Cunha Carneiro Lins
Data-hora: 17/Agosto/2020 (10:00h)
Local: Escola Politécnica de Pernambuco – Formato Remoto (http://meet.google.com/whu-vxwp-vdy)
Resumo:
“O diagnóstico de deficiências cognitivas como demência e declínio cognitivo leve é desafiador, pois vários fatores estão relacionados não-linearmente a essas patologias. Assim, erros de classificação cometidos por um especialista podem se tornar mais frequentes. Neste trabalho é proposta uma técnica de classificação capaz de aprender os perfis dos pacientes de maneira não supervisionada e fornecer o valor semântico aos padrões encontrados usando a técnica Majority Voting. O objetivo é fornecer uma ferramenta robusta contra erros de classificação presentes nos dados. A técnica proposta apresenta uma acurácia média de 89,33 % e, quando comparado a uma rede neural artificial treinada de maneira supervisionada, é possível encontrar experimentalmente evidências de possíveis erros de diagnósticos em 9,14 % desse conjunto de dados. Isso mostra que essa contribuição é valiosa, pois pode indicar possíveis erros de rotulação.”
Divulgação - Defesa Nº 209
Aluno: Jessiane Mônica Silva Pereira
Título: “Seleção de atributos baseada em algoritmo dialético de otimização para classificação de lesões de mama em imagens termográficas”.
Orientador: Prof. Wellington Pinheiro dos Santos
Coorientador: Sidney Marlon Lopes de Lima
Data-hora: 14/Agosto/2020 (14:00h)
Local: Escola Politécnica de Pernambuco – Formato Remoto (https://meet.google.com/kei-utpu-jvo)
Resumo:
“O câncer de mama é a maior causa de morte entre mulheres do mundo todo. Segundo o INCA (Instituto Nacional do Câncer), a detecção e tratamento precoce são fundamentais para minimizar os efeitos dessa doença e quanto mais cedo for detectada, mais sucesso pode ter no tratamento fornecido, reduzindo as taxas de mortalidade. Desta forma, os principais aliados da detecção do câncer de mama são o autoexame, que tem baixo custo, e a mamografia, que é o principal exame utilizado para o diagnóstico em estágios iniciais do câncer de mama. No entanto, a mamografia tem algumas limitações. Essas limitações da mamografia, em paralelo com o crescente número de casos de lesões mamárias em pacientes mais jovens, ou seja, mamas mais densas, ocasiona a busca e desenvolvimento de novas técnicas para a detecção precoce de lesões mamárias. Dentre quais, evidencia-se a termografia. A termografia vem sendo estudada para verificar as possibilidades do seu uso como exame de triagem na mastologia. Apesar de ser uma técnica promissora, a interpretação de imagens de termografia é muitas vezes difícil. Assim, técnicas de reconhecimento de padrões estão sendo exploradas como uma ferramenta importante para auxiliar o diagnóstico. Ao usar algoritmos de reconhecimento de padrões, as imagens são representadas por vetores de recursos. A seleção de atributos desempenha uma tarefa essencial dentro desse processo, com objetivo de reduzir o custo computacional do sistema, mas sempre levando em conta a necessidade de se manter altas taxas de acerto, já que isto pode refletir em erros de diagnóstico da lesão mamária. Esse trabalho teve como objetivo a redução da quantidade de atributos extraídos de imagens termográficas para classificação de lesões mamária utilizando algoritmo dialético de otimização (ODM), para avaliar o desempenho do algoritmo foi utilizado as métricas acurácia, índice kappa, sensibilidade e especificidade. Os classificadores utilizados foram baseado em redes neurais artificiais, árvores de decisões e classificadores bayesianos e posteriormente comparados com os resultados obtidos com todo o conjunto de atributos. Através dos dados analisados, é notório que a técnica de seleção de atributos utilizada neste trabalho simplificou os modelos de classificação, reduzindo o custo computacional desses modelos, redução do tamanho do vetor de atributos foi de cerca de 50% e com um menor impacto nas taxas de acerto da classificação da lesão mamária, com redução de acerto em torno de 3,72%. Os valores de especificidade e sensibilidade competitivos com outros métodos presente na literatura. Assim, o método proposto é uma técnica promissora para realização de redução de atributos, no qual se obteve valores de acurácia significantes, utilizando apenas 84 dos 168 atributos, demonstrando assim a importância desta etapa para a utilização da termografia como uma técnica auxiliar ao diagnóstico do câncer de mama.”
O Programa
