Eventos
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 341
Aluno: David Ferreira Brandão
Título: “SPIkE – Step Processing and Intelligent Gherkin Evaluation for BDD Test Scenarios"
Orientador: Cleyton Mário de Oliveira Rodrigues
Coorientador: Wylliams Barbosa dos Santos
Examinador Externo: Carlos Francisco Simões Gomes (UFF)
Examinador Externo: Fagner José Coutinho de Melo (UPE)
Examinador Interno: Ivaldir Honório de Farias Junior
Data-hora: 28 de outubro de 2025 às 10h
Local: Formato Híbrido
Resumo:
"O câncer de mama é a neoplasia mais incidente entre mulheres no mundo e, apesar dos avanços nos métodos de rastreamento, ainda enfrenta desafios relacionados à acessibilidade, desconforto e exposição à radiação em exames como a mamografia. Nesse contexto, a termografia infravermelha emerge como uma técnica não invasiva e promissora para detecção precoce, capaz de identificar alterações térmicas associadas à angiogênese tumoral. No entanto, sua interpretação subjetiva limita sua adoção clínica. Este trabalho propõe um sistema móvel com inteligência artificial híbrida para apoio ao diagnóstico de câncer de mama com base em imagens termográficas. A abordagem combina extração de características por meio de modelos de deep learning pré-treinados (MobileNetV2, VGG19 e ResNet) via transfer learning e classificação com algoritmos tradicionais (Random Forest, KNN e Naive Bayes). Foram utilizadas 1.052 imagens do Hospital das Clínicas da Universidade Federal de Pernambuco (HC/UFPE), sendo avaliados conjuntos de dados balanceado e desbalanceado. O melhor desempenho foi obtido com o modelo ResNet associado ao Random Forest no conjunto balanceado, alcançando 84,6% de acurácia, 100% de sensibilidade e 69,2% de especificidade. Além disso, desenvolveu-se uma aplicação móvel em React Native com back-end em FastAPI, Celery e banco de dados relacional, permitindo o envio assíncrono de exames e geração de laudos em PDF. Os resultados indicam que a abordagem híbrida é eficaz para extração de características discriminativas e que o sistema integrado tem potencial para ser utilizado como ferramenta assistiva em triagem, especialmente em contextos com limitações de acesso a exames tradicionais. Como trabalhos futuros, sugere-se a validação clínica com profissionais de saúde e a expansão do modelo com dados de outras instituições.."
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 337 /strong>
Aluna: Ana Catarina Gomes da Fonseca Pereira
Título: “Desenvolvimento de Modelos de Aprendizado de Máquina Explicáveis Integrados a um AutoML"
Orientador: Alexandre Magno Andrade Maciel
Examinador Externo: Rodrigo Lins Rodrigues (UFRPE)
Examinador Interno: Raphael Augusto de Sousa Dourado
Data-hora: 29 de agosto de 2025 às 9h
Local: Formato presencial - Sala de Atos
Resumo:
"O avanço da área de aprendizado de máquina tem sido acompanhado por uma crescente de manda por ferramentas que facilitem seu uso em diferentes contextos, inclusive por usuários de diferentes áreas. Nesse cenário, os sistemas de Aprendizado de Máquina Automatizado (Automated Machine Learning - AutoML) surgem como alternativas capazes de automatizar etapas complexas do processo de modelagem, desde a seleção de algoritmos até a otimização de hiperparâmetros. Apesar dessas vantagens, persiste o desafio da interpretabilidade dos modelos, que muitas vezes operam como caixas-pretas, limitando a confiança e a adoção em áreas críticas que exigem maior transparência. Diante desse desafio, este trabalho apresenta a integração de técnicas de Inteligência Artificial Explicável (Explainable Artificial Intelligence - XAI) ao sistema FMD, uma plataforma web de AutoML. A proposta consistiu no desenvolvimento de um módulo adicional de explicabilidade, incorporando métodos de escopo local e global, como SHAP, LIME, árvores surrogate e análises what-if. Além disso, foi incorporada uma interface voltada para usabilidade e interatividade, incluindo dashboards de métricas, gráficos interpretativos e seletores de instância, favorecendo a exploração do desempenho dos modelos e da contribuição das variáveis nas predições. Para avaliar essa proposta, foram conduzidas entrevistas e questionários de usabilidade com dois grupos de usuários: profissionais de ciência de dados e especialistas de domínio. Os resultados, medidos tanto por meio do Post-Study System Usability Questionnaire (PSSUQ) quanto por feedback qualitativo, indicaram que os participantes valorizaram a capacidade do sistema de esclarecer as predições e relataram maior confiança e compreensão ao interagir com os modelos explicados. Esses achados reforçam que a incorporação de explicações acessíveis e amigáveis em plataformas AutoML pode não apenas ampliar sua adoção e favorecer a democratização da ciência de dados, como também contribuir para o avanço em direção a uma inteligência artificial mais transparente, responsável e alinhada às necessidades de diferentes perfis de usuários."
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 340
Aluno: Rian Rabelo de Azevedo
Título: "Um Sistema Híbrido de Inteligência Artificial para Apoio ao Diagnóstico por Termografia de Mama em Dispositivos Móveis."
Orientador: Wellington Pinheiro dos Santos
Examinadora Externa: Maíra Araújo de Santana (UFPE)
Examinador Interno: Sidney Marlon Lopes de Lima
Data-hora: 09 de outubro de 2025 às 14h
Local: Formato remoto - Google meet
Resumo:
"O câncer de mama é a neoplasia mais incidente entre mulheres no mundo e, apesar dos avanços nos métodos de rastreamento, ainda enfrenta desafios relacionados à acessibilidade, desconforto e exposição à radiação em exames como a mamografia. Nesse contexto, a termografia infravermelha emerge como uma técnica não invasiva e promissora para detecção precoce, capaz de identificar alterações térmicas associadas à angiogênese tumoral. No entanto, sua interpretação subjetiva limita sua adoção clínica. Este trabalho propõe um sistema móvel com inteligência artificial híbrida para apoio ao diagnóstico de câncer de mama com base em imagens termográficas. A abordagem combina extração de características por meio de modelos de deep learning pré-treinados (MobileNetV2, VGG19 e ResNet) via transfer learning e classificação com algoritmos tradicionais (Random Forest, KNN e Naive Bayes). Foram utilizadas 1.052 imagens do Hospital das Clínicas da Universidade Federal de Pernambuco (HC/UFPE), sendo avaliados conjuntos de dados balanceado e desbalanceado. O melhor desempenho foi obtido com o modelo ResNet associado ao Random Forest no conjunto balanceado, alcançando 84,6% de acurácia, 100% de sensibilidade e 69,2% de especificidade. Além disso, desenvolveu-se uma aplicação móvel em React Native com back-end em FastAPI, Celery e banco de dados relacional, permitindo o envio assíncrono de exames e geração de laudos em PDF. Os resultados indicam que a abordagem híbrida é eficaz para extração de características discriminativas e que o sistema integrado tem potencial para ser utilizado como ferramenta assistiva em triagem, especialmente em contextos com limitações de acesso a exames tradicionais. Como trabalhos futuros, sugere-se a validação clínica com profissionais de saúde e a expansão do modelo com dados de outras instituições.."
O Programa
