Linha de pesquisa: Ciência de Dados

Resumo: Anualmente, um único laboratório pode realizar milhares de testes de imunofixação. A identificação da presença ou ausência de proteínas na amostra é geralmente feita visualmente, exigindo a expertise de um especialista. O diagnóstico correto é essencial, pois condições potencialmente prejudiciais, como a gamopatia monoclonal, podem ser diagnosticadas a partir do exame. Este estudo propõe dois métodos baseados em modelos de Machine Learning (Aprendizado de Máquina) (ML) para classificar exames de imunofixação. Os métodos utilizam uma Convolutional Neural Network (Rede Neural Convolucional) (CNN) e uma rede neural densa com um vetor de características desenvolvido manualmente. Além disso, é proposto um método de pré-processamento para dividir a imagem em tiras verticais, que atuam como regiões de interesse. Este método utiliza o histograma de intensidade de cor das imagens para dividir a imagem. Os modelos foram validados usando um novo banco de dados que contém imagens desafiadoras de imunofixação por eletroforese. Os resultados obtidos com a rede Visual Geometry Group (Grupo de Geometria Visual) (VGGNet) foram um F1-Score de 0,9088, precisão de 0,9123 e recall de 0,9060. Por outro lado, os resultados da rede neural densa foram um F1-Score de 0,9625, precisão de 0,9628 e recall de 0,9621. Ambos os modelos de ML demonstraram excelente desempenho na classificação de imagens de exames de imunofixação. Além disso, discutimos por que a rede neural densa alcançou métricas semelhantes ou melhores em comparação com o estado da arte disponível.

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