Discente da UFMA detecta câncer de pele com tecnologia

0

O uso da tecnologia em diversas áreas do mercado já é uma realidade. Por meio do uso do conhecimento de machine learning (MI), ou seja, a capacidade de máquinas aprenderem sozinhas com base na experiência adquirida com ajuda de algoritmos e dados, o estudante do 6º período de Ciência da Computação da UFMA, Carlos Vinicios Rocha, conseguiu integrar os benefícios da tecnologia à área da saúde.

Com a inserção dele no laboratório Vision and Image Processing Lab (VIPLab), vinculado ao Núcleo de Computação da Universidade, o discente desenvolveu a pesquisa “Análise e Processamento de Imagens Médicas usando Deep e Imbalanced Learning”, com o apoio do  Programa Institucional de Bolsas de Iniciação Científica (Pibic) durante o 2º período do curso, por meio da qual se debruçou em descobrir uma forma de detectar o câncer de pele do tipo melanoma.

Confira abaixo a entrevista realizada pela Diretoria de Comunicação (DCom) da Superintendência de Comunicação e Eventos (SCE) com o estudante, que comentou sobre a pesquisa.

DCom: O que são as técnicas transferência de aprendizado e tratamento de bases não balanceadas?

Carlos Rocha – Para entender melhor, é necessário ter uma ideia básica do que é uma rede neural artificial. Portanto, trata-se de um método que utiliza cálculos matemáticos e probabilísticos com o intuito de aprender características de um conjunto de dados e apresentar a capacidade de inferir a qual conjunto pertence um novo dado fornecido a ela. Dentre os diversos tipos de redes neurais, encontramos as redes convolucionais, que majoritariamente são utilizadas quando trabalhamos com imagens. Tais redes convolucionais apresentam camadas, em que as primeiras aprendem as características mais genéricas das imagens e as mais profundas lidam com aspectos mais específicos dentre as classes do problema.

Dessa forma, a transferência de aprendizado é uma técnica dentro da área de aprendizado de máquina, que tem como objetivo pegar uma rede neural que já foi treinada em uma base de dados maior e mais genérica e utilizar apenas as partes que lidam com as formas mais gerais presentes em uma imagem, como linhas, bordas, formas, etecetera. Tal abordagem se faz necessária devido ao tamanho das bases de dados com imagens de melanoma disponíveis para pesquisa, que em sua maioria não são suficientes para treinar uma rede neural artificial do zero.

O tratamento de bases não balanceadas é uma outra técnica que auxilia no processo de treinamento, pois as redes treinadas se ajustam de acordo com a quantidade de dados existentes para cada classe. Dessa forma, caso exista mais exemplos de uma certa classe, a rede tende a se ajustar somente a ela, interferindo nos resultados finais. Portanto, uma das etapas da pesquisa foi a busca por formas de normalizar as amostras de cada classe, com o intuito de minimizar os impactos negativos ao final do treinamento.

DCom: Como surgiu a ideia de aplicá-las ao diagnóstico de câncer de pele do tipo melanoma?

CR – Surgiu da possibilidade de utilizar técnicas de aprendizado de máquina e visão computacional para auxiliar médicos no diagnósticos de possíveis pacientes com o câncer do tipo melanoma, uma vez que esse processo é todo manual e o auxílio de técnicas computacionais pode acelerar a detecção, assim como diminuir a fadiga do profissional responsável.

DCom: Qual o resultado encontrado até agora?

CR – Os resultados obtidos nos testes se mostraram promissores, 99% de capacidade de identificar as pessoas com suspeita do câncer de tipo melanoma, e apresenta 93.75% de capacidade na identificação dos casos negativos.

DCom: Qual o impacto positivo dessa pesquisa?

CR – Ela pode agilizar o diagnóstico e, assim, o tratamento de um possível paciente que apresente o câncer do tipo melanoma. Além disso, diminui a carga de trabalho em cima do médico especialista, permitindo que este foque seus esforços no tratamento do paciente ou na avaliação dos casos mais difíceis de diagnosticar. 

DCom: Como foi o processo de desenvolvimento dela e quais foram os principais desafios na elaboração?

CR – Foi iniciado o trabalho com o desenvolvimento das habilidades técnicas necessárias para realização da pesquisa, por meio da leitura de materiais didáticos, minicursos e contato com os integrantes do laboratório. Em seguida, foi realizado o processo de leitura de artigos pré selecionados pelo orientador, assim como, a busca por referências mais atuais. A fase de testes práticos foi a mais demorada e mais custosa, em especial por ter sido uma experiência completamente nova para mim. Nela também que encontrei as maiores dificuldades, pois, para realização dos testes, era necessário um poder computacional elevado e que não se encontrava disponível no laboratório. Entretanto, formas de contornar esses problemas foram encontradas, como o uso de recursos computacionais do Google, que foram cruciais para o desenvolvimento da pesquisa. Nessa fase encontrou-se a principal contribuição da pesquisa: uma forma de tratar a imagem sem perdas de informações relevantes.

DCom: O que você pretende agora com a pesquisa?

CR – Pretendo continuá-la e melhorá-la em futuro próximo, para que seja realmente aplicada e utilizada.

DCom: Qual a satisfação pessoal de realizar essa pesquisa?

CR – A principal delas é saber que estou podendo contribuir com o avanço científico da minha área e que estou utilizando os conhecimentos e habilidades adquiridos por mim para ter um impacto social positivo.

Fonte: UFMA.

Share.

Comments are closed.