Linha de pesquisa: Inteligência Artificial

Resumo: A pandemia de COVID-19 expôs limitações dos métodos de diagnóstico convencionais, como o RT-PCR, que, apesar de sua alta sensibilidade, são onerosos, demorados e logisticamente complexos. A espectroscopia vibracional surge como alternativa promissora, oferecendo análises rápidas, de baixo custo e sem reagentes. Contudo, a complexidade das alterações bioquímicas refletidas nos espectros Raman e de Espectroscopia no Infravermelho por Transformada de Fourier com Refletância Total Atenuada (ATR-FTIR) demanda métodos analíticos avançados, que superem as abordagens quimiométricas tradicionais na extração de padrões não lineares. Este trabalho desenvolve e avalia modelos baseados em aprendizado profundo, especificamente arquiteturas de Redes Neurais Convolucionais (CNN) e Redes Neurais Convolucionais integradas com Long Short-Term Memory (CNN-BiLSTM), aplicadas à análise de espectros de amostras biológicas não invasivas para detecção da COVID-19. As CNNs oferecem capacidade superior de extração de características espaciais locais dos espectros através de operações de convolução, enquanto as redes BiLSTM complementam essa análise capturando dependências temporais bidirecionais nos dados espectrais sequenciais, permitindo uma compreensão mais completa dos padrões espectrais complexos. Duas arquiteturas foram desenvolvidas: CNN-Spectra foi projetada para analisar espectros Raman de soro sanguíneo, alcançando acurácia de 96,8%; CNN-BiLSTM-Spectra foi desenvolvida para analisar espectros ATR-FTIR de saliva, atingindo acurácia média de 80% e superando modelos tradicionais e estado-da-arte. Os resultados confirmam a eficácia dos modelos propostos em extrair características relevantes de dados espectrais complexos, melhorando a classificação entre amostras positivas e negativas para COVID-19. Conclui-se que a integração de aprendizado profundo com espectroscopia vibracional é uma abordagem promissora para o diagnóstico biomédico, contribuindo para métodos de detecção mais rápidos, precisos e sustentáveis.

Link para a defesa: https://teams.microsoft.com/dl/launcher/launcher.html?url=%2F_%23%2Fl%2F...