Eventos
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 313
Aluno: Ailson Gomes de Oliveira
Título: “Predição de Sepse em Pacientes de UTI Utilizando Ensemble Stacking de Modelos de Machine Learning"
Orientador: Wellington Pinheiro dos Santos
Examinador Externo: Fabiano Tonaco Borges (UFPE)
Examinador Interno: Sidney Marlon Lopes de Lima
Data-hora: 20 de dezembro de 2024, às 10h.
Local: Formato Remoto.
Resumo:
"A sepse, uma resposta inflamatória sistêmica desregulada a uma infecção, representa um desafio global de saúde pública devido à sua alta incidência e mortalidade, especialmente em Unidades de Terapia Intensiva (UTIs). A detecção precoce é crucial para o tratamento eficaz, mas os sintomas iniciais podem ser inespecíficos, dificultando o diagnóstico. Sistemas de pontuação clínica, como o MEWS e o SOFA, auxiliam na identificação de pacientes em risco, mas apresentam limitações. A Inteligência Artificial (IA) e o aprendizado de máquina surgem como ferramentas promissoras para aprimorar a predição da sepse, permitindo intervenções mais precoces e eficazes. Este estudo teve como objetivo desenvolver e comparar modelos de aprendizado de máquina, incluindo um modelo de ensemble stacking, para prever a ocorrência de sepse em pacientes de UTI, utilizando a base de dados MIMIC-III. A metodologia incluiu o pré-processamento dos dados, o treinamento de modelos individuais (Random Forest, LightGBM, KNN, XGBoost, Árvore de Decisão e Regressão Logística) e a construção do modelo de ensemble stacking. O desempenho dos modelos foi avaliado por meio de métricas como acurácia, F1-score, recall e AUC, e a significância estatística das diferenças foi verificada por testes de Wilcoxon, ANOVA e Tukey HSD. Os resultados demonstraram a superioridade do modelo de ensemble stacking, que alcançou uma acurácia de 97%."
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 312
Aluno: Gabriel Candido da Silva
Título: “Desenvolvimento de uma Abordagem de Aprendizado de Máquina para Avaliação da Fluência em Leitura Infantil"
Orientador: Alexandre Magno Andrade Maciel
Coorientador: Rodrigo Lins Rodrigues (UFRPE)
Examinador Externo: Gabriel Alves de Albuquerque Júnior (UFRPE)
Examinador Interno: Raphael Augusto de Sousa Dourado
Data-hora: 19 de dezembro de 2024, às 10h.
Local: Formato Remoto.
Resumo:
"A fluência de leitura é um componente crítico da compreensão de texto. Embora a importância da fluência de leitura tenha sido demonstrada por diversos estudos, avaliar a velocidade, precisão e prosódia da leitura de cada aluno, várias vezes durante o ano letivo, é uma tarefa desafiadora para os professores. Assim, uma avaliação de fluência de leitura automática, confiável e de baixo custo seria uma ferramenta valiosa. Tecnologias de reconhecimento automático de fala têm sido utilizadas para criar avaliações de fluência, mas muitos estudos se concentram apenas na precisão da leitura, negligenciando dimensões importantes como velocidade e prosódia. Este trabalho visa desenvolver uma abordagem de aprendizado de máquina para avaliar a fluência de leitura considerando três dimensões: precisão, velocidade e prosódia. O processo inclui: 1) Transcrição de áudio; 2) Extração de características de fluência; e 3) Aplicação de modelos de aprendizado de máquina para prever a fluência. Um conjunto de dados de 600 gravações de áudio de crianças do 2o e 3o ano foi utilizado. A transcrição foi feita com o modelo WhisperX large-v3, e a extração considerou a precisão (palavras lidas corretamente), a velocidade (palavras lidas por minuto) e a prosódia (pausas corretas). Os experimentos incluíram: 1) Classificação binária; 2) Classificação multiclasse; e 3) Regressão, com variáveis independentes derivadas de características extraídas e a variável dependente sendo a pontuação de fluência avaliada por um especialista. Os resultados mostraram 83% de precisão na classificação binária, 75% na classificação multiclasse e métricas de regressão com MAE, MSE e R2 de 1,09, 2,37 e 0,71, respectivamente. Espera-se que essa abordagem ajude a implementar avaliações de leitura em tempo real, auxiliando os professores a tomar decisões pedagógicas mais informadas."
DEFESA DE DISSERTAÇÃO DE MESTRADO Nº 311
Aluno: Hugo de Andrade Amorim Neto
Título: “Integração de Modelos Surrogate no Algoritmo PALLAS para Inferência de Redes Reguladoras Gênicas"
Orientador: Fernando Buarque de Lima Neto
Coorientador: Marcelo Gomes Pereira de Lacerda
Examinador Externo: Ulisses de M. Braga Neto (Texas A M University)
Examinador Interno: Wellington Pinheiro dos Santos
Data-hora: 18 de dezembro de 2024, às 16:30.
Local: Formato Híbrido, no Miniauditório PPGEC e Google meet.
Resumo:
"A inferência de redes regulatórias gênicas (RRG) é uma área importante para o entendimento de processos biológicos complexos, como a resposta celular a estímulos externos e o desenvolvimento de doenças. Essas redes permitem modelar as interações entre genes, fornecendo insights sobre os mecanismos regulatórios que controlam funções celulares. Contudo, a inferência de RRG apresenta desafios devido ao alto custo computacional envolvido na avaliação de funções de fitness em algoritmos de otimização. Neste trabalho, é explorado a aplicação de modelos surrogate em meta-heurísticas para inferir RRG a partir de dados temporais de expressão gênica. Modelos surrogate, como funções de base radial, são usados para aproximar funções de fitness e reduzir o número de avaliações diretas, enquanto meta-heurísticas, como o Mixed Fish School Search (MFSS), são utilizadas para otimizar problemas complexos. Foi proposto o algoritmo Surrogate-based Mixed Fish School Search (SMFSS), que integra modelos surrogate ao Penalized Maximum Likelihood and Particle Swarms (PALLAS), visando melhorar a efi ciência computacional do processo de inferência. O SMFSS foi avaliado em duas abordagens. A primeira abordagem visa reduzir o número de chamadas a função de fitness, mantendo a qualidade do resultado final, enquanto a segunda mantém o número de chamadas de fitness, mas incorpora iterações que utilizem o modelo surrogate para aprimorar a eficácia computacional do algoritmo. Ambas as versões foram testadas utilizando o dataset da célula A549 e o p53-MDM2 negative-feedback loop, com e sem a incorporação de informações prévias. Os resultados indicaram uma redução de até 89% no número de chamadas a função de fitness, com resultados finais estatisticamente equivalentes aos do algoritmo original, segundo o testeU de Mann-Whitney. Na segunda abordagem, que manteve o número de chamadas de fitness, os resultados foram equivalentes ou superaram os de referência, demonstrando melhoras em termos de performance. Assim, este trabalho evidencia o potencial significativo da incorporação de modelos surrogate em meta-heurísticas para a inferência de RRG e também indicam oportunidades para sua aplicação em diferentes áreas da biologia."
O Programa
