| Processo: | 19/04461-9 |
| Linha de fomento: | Bolsas no Exterior - Estágio de Pesquisa - Doutorado |
| Vigência (Início): | 01 de novembro de 2019 |
| Vigência (Término): | 31 de outubro de 2020 |
| Área do conhecimento: | Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação |
| Pesquisador responsável: | José Fernando Rodrigues Júnior |
| Beneficiário: | Gabriel Spadon de Souza |
| Supervisor no Exterior: | Jimeng Sun |
| Instituição-sede: | Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil |
| Local de pesquisa : | Georgia Institute of Technology, Estados Unidos |
| Vinculado à bolsa: | 17/08376-0 - Análise e aperfeiçoamento de sistemas urbanos por meio de mapas digitais representados por redes complexas, BP.DR |
Resumo Aprendizagem profunda (AP) provou ter sucesso em uma ampla gama de domínios, de acústica e imagens até processamento de linguagem natural. No entanto, aplicar aprendizado profundo a dados modelados como grafos é uma tarefa não trivial devido às propriedades únicas dos grafos. Recentemente, uma quantidade significativa de pesquisas têm sido dedicada a essa área, melhorando notavelmente técnicas de análise de grafos. Empregar estas novas técnicas no domínio médico ainda é sem precedentes, mas com grande potencial para contribuições ao analisar Registros Médicos Eletrônicos (RMEs) usando gráficos e redes neurais artificiais. Neste contexto, este projeto tem foco na atividade de fenotipagem computacional por meio da análise das entidades inerentes aos RMEs, estreitando as causas, sintomas, procedimentos e tratamentos de uma ou mais doenças com mais precisão do que os métodos anteriores e também com mais confiabilidade, concisão e auto-interpretabilidade através de agrupamento hierárquico semi-supervisionado em redes neurais de grafos (RNGs). As atividades relacionadas a tal tarefa incluem lidar com as várias questões relacionadas à aplicação da aprendizagem profunda no contexto específico de dados clínicos usando grafos. Esses problemas incluem demandas de pré-processamento para produzir conjuntos de dados clínicos grandes e limpos; modelagem de informações complexas por meio de grafos; aperfeiçoar as arquiteturas de AP em relação aos problemas específicos do tratamento prognóstico; rodadas de testes de treinamento iterativo para obter métodos altamente precisos; e validação clínica dos resultados. Os resultados esperados, por outro lado, são de amplo interesse para a comunidade científica nacional e internacional. | |