Linha de pesquisa: Ciência de Dados

Resumo: O ameloblastoma (AM) e o carcinoma ameloblástico (AC) são tumores odontogênicos raros que apresentam sobreposição histopatológica, tornando sua diferenciação um prob lema desafiador, especialmente em cenários com poucos casos disponíveis. Este trabalho investiga estratégias computacionalmente eficientes para classificação histopatológica de AMeAC,explorando modelos leves, aprendizado por comitês e integração de informações emmúltiplas magnificações. O conjunto de dados principal contém 16 lâminas histológicas digitalizadas, com regiões de interesse espacialmente correspondentes em 5×, 10×, 20× e 40×. Inicialmente, um comitê de modelos leves CNN-Transformer alcançou F1-score de 0, 89 ±0,04 em 40×, com custo de 0,8 GMAC. Posteriormente, a combinação de regiões correspondentes em diferentes magnificações por fusão de probabilidades atingiu F1-score de 0,92±0,05 e PR-AUC de 0,97±0,04 na configuração 10×+20×. A fusão em nível de descritores apresentou o melhor resultado, alcançando F1-score de 0,962 ± 0,021 e PR AUC de 0,993 ±0,003 com a mesma combinação de magnificações e custo aproximado de 1,5 GMAC. Uma avaliação externa no conjunto de dados público UniToPatho demon strou que a combinação ideal depende da tarefa, com a configuração 5×+10× atingindo uma pontuação F1-score de 0,951 ± 0,010. Os resultados mostram que modelos leves podem viabilizar a integração eficiente de informações arquiteturais e morfológicas entre diferentes escalas. Em etapas futuras, o estudo propõe a investigação de métodos de seg mentação de regiões intra-ROI diagnosticamente relevantes, já anotadas por especialista, e seu impacto na classificação e interpretabilidade dos modelos.

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