Classificação de Espectros ATR-FTIR via Redes Complexas e Graph Neural Networks Híbridas
Publicado: 19/10/2026 - 13:03
Última modificação: 19/10/2026 - 13:03
Linha de pesquisa: Inteligência Artificial
Resumo: A espectroscopia de infravermelho por transformada de Fourier com reflectância to tal atenuada (ATR-FTIR) é uma técnica rápida, não destrutiva e de mínimo preparo de amostra para a análise de biofluidos, mas seus espectros têm alta dimensionalidade, ban das sobrepostas e forte sensibilidade ao pré-processamento, o que dificulta a classificação diagnóstica com poucas amostras. Este trabalho propõe o HyGRAF (Hybrid Graph Neu ral Network for ATR-FTIR), que representa espectros de saliva como redes complexas e os classifica com um Graph Transformer híbrido para o diagnóstico de Câncer Oral, Diabetes e COVID-19. Cada espectro é pré-processado (truncamento, normalização pela banda de Amida I, derivada segunda de Savitzky–Golay e correção de baseline) e conver tido em grafo por seis métodos: grafo de visibilidade (VG), grafo de visibilidade horizontal (HVG), KNN, ϵ-Neighborhood (EPS), correlação (CORR) e coocorrência (COOC). Me didas topológicas locais de cada nó, concatenadas às medidas globais do grafo, alimentam um Graph Transformer com atenção local e global. Um estudo fatorial com cinco cor reções de baseline (ALS, Poly, ArPLS, DRPLS e Rubberband) e seis métodos de grafo, totalizando 30 combinações por base, foi avaliado por validação cruzada estratificada de cinco folds e F1-macro. As melhores combinações foram DRPLS + COOC no Câncer Oral (F1-macro de 0.835), Poly + EPS no Diabetes (0.850) e ArPLS + VG na COVID-19 (0.687), com F1-macro superior ao de classificadores tradicionais sob o mesmo protocolo. Nenhuma combinação foi universalmente superior, e as três melhores de cada base foram estatisticamente equivalentes, mas DRPLS + COOC esteve entre as três melhores nas três bases. A explicabilidade indica que as medidas globais, sobretudo a Assortatividade, se destacam nos grafos baseados em limiar de amplitude, enquanto nos grafos de visibilidade predominam medidas locais de centralidade. O trabalho evidencia a viabilidade da abor dagem e a importância de escolher em conjunto o pré-processamento e a representação em grafo.
Link para a defesa: https://teams.microsoft.com/dl/launcher/launcher.html?url=%2F_%23%2Fmeet...