Cazella, Silvio CesarMenegotto, Alan Baronio2023-11-242023-11-242019https://repositorio.ufcspa.edu.br/handle/123456789/2503Dissertação (Mestrado)-Programa de Pós-Graduação em Tecnologias da Informação e Gestão em Saúde, Fundação Universidade Federal de Ciências da Saúde de Porto Alegre.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.pt-BRAcesso Aberto ImediatoAttribution-NonCommercial-ShareAlike 3.0 BrazilAprendizado de máquina profundo multimodalHepatocarcinomaAuxílio-diagnóstico computadorizado[en] Multimodal deep learning[en] Hepatocarcinoma[en] Computer-aided diagnosisDissertação