Uma Arquitetura de Aprendizado Profundo Multimodal para Auxílio no Diagnóstico de Hepatocarcinoma
Carregando...
Data
2019
Autores
Título da Revista
ISSN da Revista
Título de Volume
Editora
Editor Literário
Resumo
Introdução: O aprendizado de máquina profundo é uma técnica de inteligência artificial
que vem sendo empregada com sucesso na construção de sistemas de auxílio-diagnóstico
computadorizado. O auxílio-diagnóstico computadorizado de hepatocarcinoma, doença
que não possui sintomas patognomônicos, comumente é realizado utilizando exclusiva-
mente atributos clínicos, atributos genéticos ou exames radiológicos. A fusão destas
múltiplas modalidades de dados poderia melhorar o desempenho desse tipo de sistema.
Este estudo descreve as etapas de criação e avaliação de um algoritmo de aprendizado
de máquina profundo para auxílio-diagnóstico computadorizado de hepatocarcinoma que
combina exames laboratoriais, atributos clínicos, antropométricos e sociodemográficos
com exames de imagem. Objetivo: O objetivo geral é desenvolver uma arquitetura de
auxílio-diagnóstico computadorizado de hepatocarcinoma baseado em um algoritmo de
aprendizado de máquina profundo supervisionado associando exames laboratoriais, atri-
butos clínicos, antropométricos, sociodemográficos com exames de imagem. Métodos: A
natureza das tarefas envolvidas indica que o tipo de pesquisa realizado é primariamente
experimental. O desenvolvimento de um algoritmo de aprendizado de máquina profundo
para auxílio-diagnóstico computadorizado de hepatocarcinoma é composto por tarefas
como obtenção e preparação das bases de dados utilizadas para treinamento e testes,
definição das arquiteturas de redes convolucionais unimodais e multimodais utilizadas,
execução de experimentos e avaliação dos resultados. Resultados: O desempenho obtido
pela arquitetura desenvolvida utilizando uma rede Xception modificada, aplicando pré-
processamento nas imagens e combinando estas múltiplas modalidades de dados através
de fusão de dados intermediária foi: acurácia = 86.9%, precisão = 89.6%, revocação =
86.9% e F-Score = 86.7%. O ganho de precisão obtido com a abordagem multimodal,
quando comparada a abordagem unimodal com a rede convolucional Xception foi de 28.8%
nos experimentos de verificação. Conclusão: Os experimentos realizados sugerem uma
superioridade de desempenho ao utilizar abordagens multimodais com fusão de dados
intermediária e imagens pré-processadas para sistemas de auxílio-diagnóstico de hepa-
tocarcinoma implementados com aprendizado de máquina profundo. Além disso, nesta
base de dados o desempenho da arquitetura proposta é superior ao desempenho médio
de especialistas que utilizam exclusivamente imagens de tomografia computadorizada
no diagnóstico. Entretanto, o viés intrínseco da aplicação de técnicas de aprendizado de
máquina profundo demanda que o algoritmo desenvolvido seja testado em novas bases de
dados antes da aplicação no dia-a-dia em rotinas assistenciais.
Descrição
Dissertação (Mestrado)-Programa de Pós-Graduação em Tecnologias da Informação e Gestão em Saúde, Fundação Universidade Federal de Ciências da Saúde de Porto Alegre.
Palavras-chave
Aprendizado de máquina profundo multimodal, Hepatocarcinoma, Auxílio-diagnóstico computadorizado, [en] Multimodal deep learning, [en] Hepatocarcinoma, [en] Computer-aided diagnosis