Banca de DEFESA: ISADORA RIBEIRO DE CARVALHO GOMES

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : ISADORA RIBEIRO DE CARVALHO GOMES
DATA : 13/02/2025
HORA: 09:00
LOCAL: on line
TÍTULO:

IDENTIFICAÇÃO DE CARRAPATOS DE IMPORTÂNCIA EM SAÚDE PÚBLICA NA AMÉRICA DO SUL COM UM ALGORITMO DE APRENDIZAGEM PROFUNDA (ALEXNET)

PALAVRAS-CHAVES:

Doença transmitida por carrapatos, Vigilância em saúde, Saúde única, Inteligência artificial, AlexNet.

PÁGINAS: 263
RESUMO:

Os carrapatos são ectoparasitos importantes para a abordagem One Health, pois são vetores de patógenos que infectam humanos, animais domésticos e silvestres. Estudos nas áreas médica e biológica mostram que a inteligência artificial, por meio do aprendizado de máquina, tem grande potencial para auxiliar pesquisadores e profissionais de saúde em práticas de identificação por imagens. O objetivo deste estudo foi avaliar o desempenho da Rede Neural Convolucional AlexNet para identificar carrapatos. Organizamos um banco de imagens com os seguintes experimentos: fêmeas (368), machos (458), dorsais (423), ventrais (403), baixa resolução (328), alta resolução (498) e todos juntos (sexo+posição+resolução=826), para identificar os quatro principais vetores de bioagentes da febre maculosa. Organizamos também outro conjunto de imagens com os seguintes experimentos: capacidade de diferenciar carrapatos (1.744 imagens) e outros artrópodes (1.744 imagens); identificação dos gêneros de carrapatos (1.266 imagens imagens de Amblyomma, 255 de Rhipicephalus, 113 de Dermacentor, 102 de Argas e 8 de Ornithodoros); e identificação de 25 espécies de carrapatos. Para avaliar o desempenho da rede, mensuramos a acurácia geral, sensibilidade e especificidade. A rede usou 70% das imagens para treinamento, 10% para validação interna e 20% para testes no MATLAB. No capitulo 1, a AlexNet demonstrou uma acurácia geral de mais de 80% para identificação de carrapatos, com bom desempenho independentemente do sexo, posição ou resolução da imagem. O algoritmo atingiu uma sensibilidade de mais de 80% para identificação correta de A. cajennense s.s., A. sculptum e A. triste, bem como especificidade acima de 90% paraclassificação de todas as espécies, independentemente dos experimentos realizados. No capítulo 2, a AlexNet demonstrou uma acurácia geral de 98% para diferenciar carrapatos de outros artrópodes, 93% para identificação de gêneros e 69% para identificação de espécies. A sensibilidade da rede para identificação de carrapatos foi de 99%, para gêneros foi de 100%, 96%, e 92% na identificação de Argas, Amblyomma e Rhipicephalus, respectivamente. A rede obtive sensibilidades acima de 80% para identificar as espécies Argas miniatus, Amblyomma coelebs, A. geayi, A. varium, R. sanguineus, A. humerale, Rhipicephalus microplus, A. brasiliense e A. maculatum. A especificidade foi de 96% para carrapatos, acima de 0,90 para os gêneros Argas, Dermacentor, Ornithodoros e Rhipicephalus e para as espécies a especificidade foi menor que 0,70. O excelente desempenho da AlexNet para identificação de carrapatos e gêneros representa um passo significativo na direção ao desenvolvimento de um aplicativo para identificação automatizada de carrapatos na América do Sul. Essa inovação poderá contribuir de maneira relevante para a vigilância em saúde pública e para o fortalecimento de iniciativas de ciência cidadã.

MEMBROS DA BANCA:
Presidente - 3343228 - RODRIGO GURGEL GONCALVES
Interno - 1974062 - MARCOS TAKASHI OBARA
Externo à Instituição - EDUARDO KREMPSER DA SILVA - Fiocruz
Externo à Instituição - THIAGO FERNANDES MARTINS - USP