Instance Hardness na análise de imagens de câncer: Aumentando a confiabilidade de predições em diagnósticos por meio de meta-aprendizado

• Processo: 24/09183-5
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de agosto de 2024
• Data de Término da vigência: 31 de julho de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: André Carlos Ponce de Leon Ferreira de Carvalho
• Beneficiário: Rafael Souza e Silva
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Empresa: Universidade de São Paulo (USP). Instituto de Ciências Matemáticas e de Computação (ICMC)
• Vinculado ao auxílio: 20/09835-1 - IARA - Inteligência Artificial Recriando Ambientes, AP.PCPE
• Assunto(s): Aprendizagem profunda
• Palavra(s)-Chave do Pesquisador: Cancer Classification | Deep Learning | Instance hardness | Meta Learning | Reliability in Predictions | Xai | Inteligência artificial explicável (XAI)

Resumo

O uso de Redes Neurais Profundas (DNNs), como Redes Neurais Convolucionais e Vision Transformers, tem se tornado muito popular para a classificação de imagens médicas. Apesar do sucesso das DNNs, existem desafios significativos a serem superados, especialmente em relação à explicabilidade e confiabilidade desses algoritmos. Este projeto visa aprimorar a compreensão e a confiabilidade dos modelos de classificação para imagens de câncer, explorando o potencial do Meta-aprendizado a nível de instância baseado em modelos. A proposta consiste em extrair metadados que permitam avaliar a complexidade das amostras, identificando assim as observações difíceis de classificar e compreendendo os fatores que contribuem para essa complexidade. Além disso, uma vez identificadas as melhores métricas para o domínio em estudo, será desenvolvido um meta-modelo capaz de fornecer estimativas importantes sobre novas predições. O objetivo é não apenas aumentar a confiabilidade das DNNs, mas também identificar amostras em que os classificadores possam não ser tão eficazes. Para atingir tais metas, serão conduzidos experimentos e análises detalhadas, explorando diferentes métricas de estimativa de dificuldade utilizando conjuntos de dados de domínio público representativos da área médica.