"A Transversalidade da Ciência, Tecnologia e Inovações para o Planeta"
5 a 7 de outubro de 2021
Trabalho 15417
| ISSN | 2237-9045 |
|---|---|
| Instituição | Universidade Federal de Viçosa |
| Nível | Graduação |
| Modalidade | Pesquisa |
| Área de conhecimento | Ciências Biológicas e da Saúde |
| Área temática | Inteligência Artificial |
| Setor | Departamento de Veterinária |
| Bolsa | PIBIC/CNPq |
| Conclusão de bolsa | Sim |
| Apoio financeiro | CAPES, CNPq, FAPEMIG |
| Primeiro autor | Maria Clara Nunes |
| Orientador | EMILY CORRENA CARLO REIS |
| Outros membros | Gabriele Rocha Santana, Jonas Gonçalves Corrêa, Késia Maria Couri Guedes, Paulo Henrique de Carvalho Costa |
| Título | Avaliação de algoritmos de machine learning na predição da doença metastática pulmonar em cães |
| Resumo | O parênquima pulmonar é o sítio mais comum para o surgimento de lesões metastáticas em cães, por isso frequentemente avaliado em pacientes apresentando neoplasias em outras regiões corpóreas. O exame radiográfico do tórax é a ferramenta padrão e mais acessível para pesquisa de doença metastática pulmonar, contribuindo para o diagnóstico precoce e para determinação do prognóstico e do tratamento. Por sua vez, Machine Learning (ML) é um campo de estudo da Inteligência Artificial que compreende o estudo de algoritmos matemáticos programados para aumento de performance por aquisição de experiência e execução de tarefas de maneira autônoma. Tais tarefas compreendem a capacidade de reconhecimento de padrões, classificação e predição, direcionados a problemas específicos. Objetivou-se com este trabalho desenvolver um algoritmo capaz de extrair, predizer e classificar informações sobre nódulos no parênquima pulmonar de cães. Para tal, 40 radiografias torácicas de cães foram extraídas do banco de dados radiográficos do Hospital Veterinário da Universidade Federal de Viçosa e submetidas a tratamento de padronização de dimensões, escala e profundidade de bits no ambiente de desenvolvimento Net Beans, utilizando a linguagem JavaScript. Um classificador atribuiu cinco características a cada imagem, de acordo com a radiopacidade e localização: osso, coração, massa, fígado e gás. As características extraídas foram exportadas para o ambiente Weka, onde os valores obtidos foram submetidos a quatro diferentes algoritmos: Random Tree (RT), Random Forest (TF), Support Vector Machines (SVM) e J48. Em todos os casos, 66% das imagens foram destinadas a treinamento e 34% a validação. Os percentuais de erros em cada algoritmo foram comparados, e os melhores algoritmos foram selecionados. Os algoritmos se mostraram capazes de reconhecer estruturas circulares no parênquima pulmonar de forma autônoma, sendo o algoritmo Random Forest o que apresentou menor percentual de erros (R2 = 0,7) seguido do SVM (R2 = 0,61), J48 (R2 = 0,59) e RT (R2 = 0,50). Conclui-se que é possível identificar de forma autônoma nódulos no parênquima pulmonar de cães. Espera-se resultados mais acurados, bem como uma melhor calibração dos algoritmos, com o aumento da extensão do banco de dados, que levará a aumento da experiência do algoritmo. |
| Palavras-chave | Machine Learning, Metástase pulmonar, Oncologia Veterinária |
| Forma de apresentação..... | Vídeo |
| Link para apresentação | Vídeo |
|---|