Ciência da Computação

URI Permanente para esta coleção

Navegar

Submissões Recentes

Agora exibindo 1 - 5 de 57
  • Item
    Acesso aberto (Open Access)
    Classificação de tumores cerebrais em imagens de ressonância magnética utilizando redes neurais convolucionais
    (Universidade Federal de São Paulo, 2023-12-13) Foltran, Murilo Holtz [UNIFESP]; Berton, Lilian [UNIFESP]; http://lattes.cnpq.br/9064767888093340; http://lattes.cnpq.br/5967509387210657
    O Aprendizado de Máquina (AM) e, mais especificamente, o Aprendizado Profundo (AP) desempenham um papel crucial na evolução da Inteligência Artificial, permitindo que os sistemas aprendam padrões complexos de maneira autônoma. Essas técnicas têm sido cada vez mais empregadas na área de saúde para auxilio no diagnóstico, especialmente na analise de raio-X e tomografias. No contexto da detecção de tumores cerebrais, o AP se destaca ao capacitar as máquinas a aprimorarem seu desempenho de forma autônoma, especialmente na extração de características cruciais de imagens de ressonância magnética (IRM). Essa abordagem automatizada se torna essencial à medida que avançamos em direção a métodos mais eficazes de prevenção e diagnóstico de doenças, abrindo novas oportunidades e possibilidades inovadoras na área médica e de saúde. O objetivo central deste trabalho é a aplicação de Redes Neurais Convolucionais (RNC) para a detecção de tumores cerebrais, utilizando diversas IRMs. Essa escolha metodológica se justifica pela capacidade das RNCs em aprender automaticamente características discriminativas em imagens complexas, como as provenientes de exames de ressonância magnética. As imagens de tumores cerebrais, com suas variações em formatos, tamanhos e intensidades, representam um desafio significativo, e a escolha de modelos de RNC visa explorar e comparar diferentes arquiteturas na busca pela eficácia máxima. As implementações do modelo do EfficientNet e de um modelo mais simples foram acompanhadas de uma rigorosa validação, utilizando métricas que oferecem ideias fundamentais para a escolha do melhor modelo. A acurácia, métrica geral da precisão do modelo, foram complementada por outras métricas essenciais, como loss (indicador de ajuste aos dados), F1-score (harmonização entre precisão e recall), recall (capacidade de identificar todos os casos positivos) e precisão (capacidade de identificar corretamente os casos positivos). Essa abordagem abrangente permite uma análise abrangente do desempenho dos modelos, considerando não apenas a taxa de acertos, mas também a capacidade de lidar com falsos positivos e falsos negativos. Além da avaliação quantitativa, a análise qualitativa foi enriquecida por técnicas como heatmaps e Grad-CAMs, que oferecem uma compreensão visual das regiões de uma imagem mais influentes na decisão do modelo. Essa RNC em questão obteve uma acurácia de 98% na classificação de tumores cerebrais.
  • Item
    Acesso aberto (Open Access)
    Estudo, planejamento e criação de uma base vídeos contendo sinais de Libras para fins educacionais e de pesquisa.
    (Universidade Federal de São Paulo, 2023-12-13) Matos, Igor Ribeiro Ferreira de [UNIFESP]; Cappabianco, Fábio Augusto Menocci [UNIFESP]; http://lattes.cnpq.br/7438076121387151
    Este trabalho propõe uma base de dados da Língua Brasileira de Sinais (Libras) para o uso didático ou de pesquisa. A base de dados é composta por vídeos disponibilizados on-line em um website que provê a bíblia em Libras. Os vídeos foram selecionados e cortados para termos ou frases e então tabelados com seus respectivos significados. Os vídeos foram adaptados e comprimidos para evitar um tamanho excessivo da base de da dos, e artificialmente variados (com data augmentation) para aumentar o reconhecimento no sistema. Essa variação artificial cobriu desde alteração de iluminação até alterações em quadros por segundos ou ruídos. Finalmente, essa base de dados foi processada a fim de recortar as mãos, rostos e suas posições relativas, e mantendo as imagens originais.
  • Item
    Acesso aberto (Open Access)
    Desenvolvimento de um aplicativo mobile com elementos de gamificação para o ensino do pé diabético
    (Universidade Federal de São Paulo, 2023-12-13) Carvalho, Vitor Costa [UNIFESP]; Zorzal, Ezequiel Roberto [UNIFESP]; Cacione, Daniel Guimarães; http://lattes.cnpq.br/7260876757287907; http://lattes.cnpq.br/3683706649252319
    O presente trabalho tem como objetivo o desenvolvimento de um aplicativo para smartphones Android, com o auxílio de um software de criação de games, chamado Unity. Com integração com um banco de dados, o aplicativo pretende ensinar alunos da área da saúde em relação à doença do pé diabético, uma doença grave que pode levar a consequências extremas como amputação do membro. O aplicativo fornece conteúdos para aprimorar o ensino sobre a doença, questionários para testar seus conhecimentos, além de um ranking para comparar os resultados e incentivar a competitividade saudável usando aspectos de gamificação.
  • Item
    Acesso aberto (Open Access)
    Análise de trade-off entre acurácia e medidas de igualdade algorítmica em aprendizado de máquina supervisionado
    (Universidade Federal de São Paulo, 2023-12-13) Silva, Bruno Pires Moreira [UNIFESP]; Berton, Lilian [UNIFESP]; http://lattes.cnpq.br/9064767888093340; http://lattes.cnpq.br/5759648592924614
    Métodos de inteligência artificial tem sido cada vez mais difundidos na sociedade atual trazendo grandes ganhos em diversas áreas da saúde, como auxílio ao diagnóstico, triagem de pacientes, teleatendimento, etc. Porém, diferentes problemas também acabaram surgindo como consequência de seu uso relacionados ao viés dos algoritmos. O tratamento desses problemas é um grande desafio na modernidade, ainda mais com abordagens com menores margens de erro e dados para treinamento mais diversos. O trabalho em questão busca entender as variações causadas por algoritmos de aprendizado de máquina que promovem o treinamento dos modelos aplicando abordagens de justiça e equidade, utilizando bibliotecas como o Fairlearn, da Microsoft e o IBM AI Fairness 360 e os conjuntos de dados MIMIC III, que conta com observações de pacientes ingleses internados em UTIs. Nesse cenário, foram tesados alguns modelos de aprendizado de máquina, como a rede multilayer perceptron, support vector machine e o gradient boosting. Foi realizada uma análise do impacto nas métricas de equidade e na acurácia quando as abordagens de mitigação de vieses foram empregadas. Com isso, notamos que técnicas de pós-processamento geraram o menor impacto na acurácia dos modelos.
  • Item
    Acesso aberto (Open Access)
    Análise de equidade em algoritmos de IA na área da saúde: um estudo sobre viés de dados, medidas de pós-processamento e correlações de atributos
    (Universidade Federal de São Paulo, 2023-12-11) Martini, Vitor Galioti [UNIFESP]; Berton, Lilian [UNIFESP]; http://lattes.cnpq.br/9064767888093340
    A equidade em algoritmos de Inteligência Artificial aplicados à área da saúde é um campo de estudo em constante evolução, com implicações significativas para a qualidade e a justiça dos cuidados de saúde. Este trabalho se concentra na aplicação da análise de dados para investigar vieses em um conjunto de dados de saúde e examinar como diferentes técnicas de pós-processamento, que são pouco utilizadas e discutidas na literatura, se comparada às técnicas de pré-processamento, podem ser utilizadas para abordar esses vieses. Para isso, foi aplicado um algoritmo de aprendizado de máquina adequado ao dataset de saúde selecionado, o Stroke Prediction, que se concentra na prevenção de Acidente Vascular Cerebral (AVC). Depois disso, foram identificados e analisados os possíveis vieses e sua correlação com os dados, e em seguida, técnicas de pós-processamento foram aplicadas com o objetivo de diminuir estes vieses, e a eficácia dessas técnicas foi analisada. Constatou-se que, embora todas as técnicas de pós-processamento adotadas reduzissem os vieses, isso ocorreu à custa de uma diminuição na acurácia e precisão da classificação. Dentre elas, a técnica EqOddsPostprocessing da biblioteca AIF360 demonstrou o menor impacto tanto na acurácia quanto na precisão do modelo. Contudo, um desafio persistente na área é alcançar um equilíbrio entre equidade, acurácia e precisão, demonstrando que estes elementos nem sempre são facilmente conciliáveis. Este estudo visa oferecer uma visão abrangente da equidade em algoritmos de IA na área da saúde, destacando os desafios e as oportunidades associadas à mitigação de vieses através do pós-processamento.