Diagnóstico de anomalias estomacais: utilizando aprendizado profundo, transfer learning e machine learning (2023)
- Authors:
- Autor USP: KERR, TIAGO BERNARDES - ICMC
- Unidade: ICMC
- Subjects: APRENDIZADO COMPUTACIONAL; INTELIGÊNCIA ARTIFICIAL; TRANSFERÊNCIA (APRENDIZAGEM)
- Language: Português
- Abstract: O advento da Inteligência Artificial (IA) e, particularmente, do aprendizado profundo (Deep Learning), impulsionou avanços notáveis em diversas indústrias. Na área da visão computacional, notadamente na medicina, esses avanços têm revelado eficácia significativa, especialmente no diagnóstico médico por meio de exames de endoscopia. Este trabalho propõe uma solução para o diagnóstico de anomalias estomacais, utilizando imagens de exames endoscópicos. A aplicação de técnicas de Transfer Learning foi empregada, aproveitando três redes neurais convolucionais predefinidas (ResNet50, MobileNet e VGG 19) para extrair características das imagens. Esse processo gerou colunas de características variadas para cada imagem na base de dados. Foram utilizados dois modelos de Machine Learning (KNN e Random Forest) para classificação das anomalias estomacais a partir das características extraídas. Os resultados mostraram que o modelo baseado em Random Forest apresentou melhor desempenho geral, com a MobileNet fornecendo os melhores resultados entre as redes neurais estudadas. A análise da matriz de confusão e métricas específicas, como acurácia, precisão e recall, evidenciou a assertividade e eficácia do modelo Random Forest, especialmente quando utilizado em conjunto com a MobileNet. Os achados deste estudo destacam a promissora viabilidade de utilizar redes neurais convolucionais predefinidas em conjunto com modelos de Machine Learning para diagnóstico de anomalias estomacais. Como próximo passo, a implementação deste modelo em uma aplicação web para classificação automática de imagens e a exploração de outros modelos de Machine Learning representam caminhos interessantes para aprimorar a aplicabilidade e assertividade do modelo proposto.
- Imprenta:
- Publisher place: São Carlos
- Date published: 2023
-
ABNT
KERR, Tiago Bernardes. Diagnóstico de anomalias estomacais: utilizando aprendizado profundo, transfer learning e machine learning. 2023. Trabalho de Conclusão de Curso (MBA) – Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos, 2023. Disponível em: https://bdta.abcd.usp.br/directbitstream/2446cb58-bb2a-44de-94ad-068b6bcf49ff/Tiago_Bernardes_Kerr.pdf. Acesso em: 19 maio 2025. -
APA
Kerr, T. B. (2023). Diagnóstico de anomalias estomacais: utilizando aprendizado profundo, transfer learning e machine learning (Trabalho de Conclusão de Curso (MBA). Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos. Recuperado de https://bdta.abcd.usp.br/directbitstream/2446cb58-bb2a-44de-94ad-068b6bcf49ff/Tiago_Bernardes_Kerr.pdf -
NLM
Kerr TB. Diagnóstico de anomalias estomacais: utilizando aprendizado profundo, transfer learning e machine learning [Internet]. 2023 ;[citado 2025 maio 19 ] Available from: https://bdta.abcd.usp.br/directbitstream/2446cb58-bb2a-44de-94ad-068b6bcf49ff/Tiago_Bernardes_Kerr.pdf -
Vancouver
Kerr TB. Diagnóstico de anomalias estomacais: utilizando aprendizado profundo, transfer learning e machine learning [Internet]. 2023 ;[citado 2025 maio 19 ] Available from: https://bdta.abcd.usp.br/directbitstream/2446cb58-bb2a-44de-94ad-068b6bcf49ff/Tiago_Bernardes_Kerr.pdf
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
Tiago_Bernardes_Kerr.pdf | Direct link |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
