Uma Arquitetura de Aprendizado Profundo Multimodal para Auxílio no Diagnóstico de Hepatocarcinoma

Página do item simplificado
dc.contributor.advisorCazella, Silvio Cesar
dc.contributor.advisor-coBecker, Carla Diniz Lopes
dc.contributor.authorMenegotto, Alan Baronio
dc.date.accessioned2023-11-24T14:51:18Z
dc.date.available2023-11-24T14:51:18Z
dc.date.date-insert2023-11-24
dc.date.issued2019
dc.descriptionDissertação (Mestrado)-Programa de Pós-Graduação em Tecnologias da Informação e Gestão em Saúde, Fundação Universidade Federal de Ciências da Saúde de Porto Alegre.pt_BR
dc.description.abstractIntrodução: 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.
dc.description.abstract-enIntroduction: Deep learning is a promising artificial intelligence technique to develop computer-aided diagnosis systems. Computer-aided diagnosis of hepatocellular carcinoma, a disease without pathognomonic symptoms, is often performed using exclusively clinical at- tributes, genetic attributes or imaging. Fusing these multiple data modalities may increase the performance of computer-aided diagnosis systems for hepatocarcinoma. This study describes the development and evaluation of a multimodal deep learning algorithm for computer-aided diagnosis of hepatocarcinoma combining laboratory tests, clinical, anthro- pometric and sociodemographic attributes with imaging exams. Objective: The overall objective is to develop a computer-aided hepatocarcinoma diagnosis architecture based on a supervised deep learning algorithm that fuses laboratory tests, clinical, anthropometric and sociodemographic attributes with imaging. Methods: The nature of these tasks indicates that the type of this research is primarily experimental. Create an algorithm for computer-aided diagnosis of hepatocarcinoma using multimodal deep learning approaches consists of tasks such as search, download and preprocess databases for training and testing, develop unimodal and multimodal deep neural network architectures, execute experiments and evaluate results. Results The performance obtained by the developed architecture using a fine-tuned Xception convolutional neural network, applying imaging preprocessing and joining multiple data modalities through intermediate fusion was: accuracy = 86.9%, precision = 89.6%, recall = 86.9% and F-Score = 86.7%. The precision gain achieved with the multimodal approach in this convolutional neural network was 28.8% during the verification experiments. Conclusion: Evidence found in experiments suggests that using multimodal approaches with intermediate data fusion and preprocessed images results in superior performance for computer-aided diagnosis of hepatocarcinoma systems developed with deep learning techniques. Moreover, the computer-aided diagnosis performance of the proposed architecture in this database is greater than the average specialist’s performance reported in the literature who exclusively use computed tomography images in the diag- nostic. However, the intrinsic bias of the application of deep learning techniques demands that the developed algorithm should be tested with new samples before application in day-to-day healthcare routine.
dc.identifier.urihttps://repositorio.ufcspa.edu.br/handle/123456789/2503
dc.language.isopt_BR
dc.relation.requiresTEXTO - Adobe Reader
dc.rightsAcesso Aberto Imediatopt_BR
dc.rightsAttribution-NonCommercial-ShareAlike 3.0 Brazilen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/br/
dc.subjectAprendizado de máquina profundo multimodal
dc.subjectHepatocarcinoma
dc.subjectAuxílio-diagnóstico computadorizado
dc.subject[en] Multimodal deep learningen
dc.subject[en] Hepatocarcinomaen
dc.subject[en] Computer-aided diagnosisen
dc.titleUma Arquitetura de Aprendizado Profundo Multimodal para Auxílio no Diagnóstico de Hepatocarcinoma
dc.typeDissertação
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
[DISSERTAÇÃO] Menegotto, Alan Baronio (C).pdf
Tamanho:
3.41 MB
Formato:
Adobe Portable Document Format
Descrição:
Texto completo
Baixar
Coleções
PPGTIGSAU - Dissertações