Transferência de aprendizado para reconhecimento de imagens médicas relacionadas a câncer.

• Processo: 24/03429-2
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Vigência (Início): 01 de agosto de 2024
• Vigência (Término): 31 de agosto de 2026
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Matemática da Computação
• Pesquisador responsável: André Carlos Ponce de Leon Ferreira de Carvalho
• Beneficiário: Bruna Christina Battissacco
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Vinculado ao auxílio: 21/11905-0 - Centro de Ciência, Tecnologia e Desenvolvimento para inovação em Medicina e Saúde: inLab.iNova, AP.CCD
• Assunto(s): Aprendizagem profunda Transfer learning
• Palavra(s)-Chave do Pesquisador: Deep Learning | Image classification and segmentation | Transfer Learning | transfer learning for medical imaging | Inteligência Arterial e Aprendizado de Máquina.

Resumo

Câncer, uma das principais causas de mortes no ano de 2020, é uma doença heterogênea e com vários subtipos. Estimativas mundiais, com projeção para 2040, apontam para o aumento no número de casos da doença, destacando que há cânceres que apresentam maior incidência na população em geral, entre os quais estão o câncer de mama, pulmão, próstata e colorretal. Desta forma, é necessário preparar-se para o impacto do câncer no sistema de saúde com adoção de medidas de prevenção, diagnóstico precoce e alocação de recursos para o tratamento adequado. Neste contexto, para o melhor diagnóstico e prognóstico do câncer os pacientes comumente realizam exames de imagens. Imagens confiáveis são críticas para a avaliação do grau de disseminação do câncer e a vigilância do pós-tratamento. As imagens médicas com o auxílio da Inteligência Artificial fornecem aos médicos informações para laudos mais rápidos e precisos. No entanto, para induzir modelos com bom desempenho preditivo, como redes neurais, é comumente necessário um conjunto de treinamento com um número elevado de exemplos rotulados. Por esse motivo e por precisar ajustar parâmetros de várias camadas, os algoritmos de treinamento usados para o ajuste dessas redes têm um custo computacional elevado. Uma das principais alternativas para reduzir a necessidade de um grande conjunto de treinamento e de um longo período de treinamento é a transferência, para a rede a ser treinada, de conhecimento adquirido por outra rede em um conjunto de dados semelhante, processo chamado de Aprendizagem por Transferência. O objetivo deste projeto é avaliar os benefícios dos métodos baseados em transferência de aprendizado para reconhecimento de imagens médicas relacionadas a câncer. Para isso, alternativas específicas serão investigadas, que incluem o desenvolvimento de métodos baseados em Aprendizado por Transferência, também associados as Redes Neurais Convolucionais, Transformador de Visão e considerando a nova de arquitetura de Inteligência Artificial de última geração denominada Pathways, e demais subcampos de Aprendizado de Máquina. Os desafios abordados incluem a limitação do número de imagens médica, baixo número de imagens rotuladas, e a necessidade de gerar modelos preditivos para diagnósticos de variações de cânceres. A presente proposta de trabalho apresenta grande potencial para colaboração e contribuição para avanços de ferramentas inovadores de Inteligência Artificial ao buscar superar restrições referentes a obtenção de imagens médicas e alcançar melhor desempenho preditivo do que por meio do uso de estratégias genéricas de transferência de aprendizado.