Linha de pesquisa: Inteligência Artificial

Resumo: A espectroscopia de infravermelho com transformada de Fourier por Refletância Total Atenuada (ATR-FTIR) tem se destacado como uma técnica promissora para diagnósticos rápidos, precisos e não invasivos de diversas condições patológicas. No entanto, a análise de seus dados espectrais ainda enfrenta desafios significativos devido à alta complexidade, dimensionalidade e sobreposição de grupos alvo e controle em aplicações reais, o que dificulta a distinção entre diferentes condições clínicas. Métodos tradicionais de classificação e até mesmo modelos de aprendizado profundo têm se mostrado limitados diante dessas dificuldades. Neste contexto, apresentamos o ATLA (ATR-FTIR Topological Learning Analysis), uma técnica inovadora de classificação espectral que integra informações topológicas, estruturais e físicas dos dados. Nosso método combina as avançadas capacidades topológicas das de medidas de Redes Complexas com algoritmos de classificação tradicionais (Máquinas de Vetores de Suporte e Análise Discriminante Linear) e de aprendizado profundo moderno(Redes Neurais Convolucionais-BiLSTM). A eficácia do ATLA foi avaliada em bases de dados reais de espectros ATR-FTIR de para detecção de pacientes com COVID-19, Hepatite Delta B e D e Doença de Chagas, todas com características espectrais desafiadoras. Os resultados mostraram que o ATLA contribuí na melhoria de desempenho preditivo dos modelos de aprendizado de máquina em termos de métricas como acurácia, precisão, sensibilidade, especificidade e F1-score. Além disso, a ATLA ATLA também pode oferecer maior interpretabilidade ao destacar as bandas e atributos topológicos mais relevantes para a classificação através de explicações SHAP (SHapley Additive exPlanations). Em síntese, a técnica ATLA se coloca como uma abordagem promissora e eficaz para elevar o diagnóstico espectral a um novo patamar de precisão e interpretabilidade.

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