Banca de QUALIFICAÇÃO: CAMILA FRANZON CHINI

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE : CAMILA FRANZON CHINI
DATA : 27/11/2024
HORA: 09:00
LOCAL: Plataforma Teams
TÍTULO:

ALGORITMOS DE APRENDIZAGEM DE MÁQUINAS PARA DETECÇÃO DA CALCIFICAÇÃO DO ATEROMA DE CARÓTIDA EM RADIOGRAFIAS PANORÂMICAS

PALAVRAS-CHAVES:

Acidente Vascular Cerebral; Artéria Carótida; Calcificação vascular; Diagnóstico Bucal; Inteligência Artificial; Radiografia Panorâmica” 

PÁGINAS: 100
RESUMO:

O Acidente Vascular Cerebral (AVC) é causado pelo acúmulo de placas ateroscleróticas, que quando calcificadas podem ser identificadas em radiografias panorâmicas (RP). A RP é uma ferramenta auxiliar na identificação destas calcificações e, neste contexto, a utilização de métodos baseados em Inteligência Artificial (IA) pode ajudar o processo. O objetivo principal deste estudo foi desenvolver e validar um sistema automatizado para identificação da calcificação da artéria carótida (CAC) em RP utilizando algoritmos de IA. Os objetivos específicos envolvem a realização de uma análise da influência da IA na tomada de decisão clínica entre diferentes grupos de profissionais e do desenvolvimento de um repositório digital. A pesquisa avaliou retrospectivamente 19.205 imagens de RP e um banco de dados de imagens foi criado e complementado com informações de prontuários médicos e odontológicos. Para o objetivo principal, foram selecionadas 372 imagens e detectadas manualmente 574 CACs. Os modelos utilizados foram FastViT para a classificação, AttentionNet para detecção e UNet para segmentação. O resultado dos modelos variou, FastVit alcançou precisão e acurácia de 87%. AttentionNet obteve precisão média de 41% e sensibilidade média de 55% em um CAC de tamanho médio. UNet obteve precisão de 61%, sensibilidade de 73% e AUC 80%. Foi comparado a influência da classificação na detecção e na segmentação, constatou-se que a introdução da etapa de classificação aumentou muito a precisão (de 0,48 para 0,93), a acurácia (de 0,79 para 0,97) e a especificidade (de 0,75 para 0,98). A pesquisa demonstrou a capacidade de desenvolver algoritmos de aprendizagem de máquina voltados para a detecção e segmentação de CAC em RP. Embora o modelo se encontre em fase inicial apresentando uma boa capacidade de detecção e segmentação, contudo, ainda há espaço para alcançar melhorias. Em etapas futuras, será aplicado o estudo comparativo avaliando o impacto da tomada de decisão clínica com a IA em diferentes grupos de expertise. E será consolidado o banco de dados de imagens em um repositório digital." 

MEMBROS DA BANCA:
Externo à Instituição - FREDERICO SAMPAIO NEVES - UFBA
Externo ao Programa - 2518570 - MARCOS FAGUNDES CAETANO - nullPresidente - 2315081 - NILCE SANTOS DE MELO
Interno - 3475960 - PAULO TADEU DE SOUZA FIGUEIREDO