Diagnosis and clinical decision-making assistance classificação automática multi-classe de lesões intra-orais comuns a partir de imagens clínicas: abordagem de rede neural convolucional para diagnóstico e auxílio na tomada de decisão clínica

• Processo: 25/05334-1
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
• Data de Início da vigência: 22 de outubro de 2025
• Data de Término da vigência: 01 de outubro de 2026
• Área de conhecimento: Ciências da Saúde - Odontologia
• Pesquisador responsável: Pablo Agustin Vargas
• Beneficiário: Cristina Saldivia Siracusa
• Supervisor: Marco Magalhaes
• Instituição Sede: Faculdade de Odontologia de Piracicaba (FOP). Universidade Estadual de Campinas (UNICAMP). Piracicaba , SP, Brasil
• Instituição Anfitriã: University of Toronto (U of T), Canadá
• Vinculado à bolsa: 22/13069-8 - Inteligência artificial no diagnóstico clínico e histopatológico de carcinoma espinocelular oral incipiente: um estudo multicêntrico internacional, BP.DR
• Assunto(s): Inteligência artificial Redes neurais (computação) Aprendizagem profunda Neoplasias de cabeça e pescoço Lesões pré-cancerosas
• Palavra(s)-Chave do Pesquisador: artificial intelligence | artificial neural network | Deep Learning | head and neck cancer | Precancerous Conditions | Estomatopatologia

Resumo

O objetivo deste estudo é desenvolver e avaliar o desempenho de modelos de Deep Learning para a classificação multiclasse automática e apoio à tomada de decisão para lesões intraorais comuns por meio de imagens clínicas, incluindo desordens orais potencialmente malignos e carcinoma espinocelular oral, além de explorar métodos de Inteligência Artificial Explicável (XAI) para avaliar a interpretabilidade. Imagens clínicas de casos de 15 lesões intraorais altamente prevalentes serão selecionadas da FOP-UNICAMP e dos serviços de Estomatologia e Patologia Oral da Faculdade de Odontologia da Universidade de Toronto. O desenvolvimento e a aplicação dos algoritmos serão realizados em colaboração com engenheiros e programadores da Universidade de São Paulo e Universidade de Toronto. O conjunto de dados da FOP-UNICAMP será dividido em subconjuntos de treinamento, otimização de modelo e teste interno na proporção de 8:1:1, enquanto o conjunto de dados internacional será reservado para teste externo. Durante o treinamento, o pré-processamento dos dados com base em técnicas de aumento será empregado para melhorar a robustez do modelo, e diversas arquiteturas serão pré-treinadas utilizando diferentes estratégias de aprendizado por transferência. O desempenho será avaliado por meio da acurácia média, precisão, sensibilidade, especificidade, F1-score e valores de AUROC. Especialistas e não especialistas serão testados por meio de uma pesquisa na base REDCap com imagens do conjunto de teste interno, sendo seus resultados comparados com as métricas obtidas pelo modelo de CNN. Será realizada uma análise qualitativa dos métodos de XAI para avaliar a explicabilidade. Antecipamos que esses modelos possam ter impacto na prática clínica futura, auxiliando no diagnóstico por profissionais de saúde, especialmente em regiões do mundo com acesso limitado a infraestrutura, recursos e serviços especializados em Estomatologia.