Desenvolvimento de Modelo Explicável em Aprendizado Profundo para Multiclassificação de Doenças Pulmonares com Abordagem Multimodal

• Processo: 25/15353-3
• Modalidade de apoio: Bolsas no Brasil - Doutorado Direto
• Data de Início da vigência: 01 de setembro de 2025
• Data de Término da vigência: 30 de setembro de 2029
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Agma Juci Machado Traina
• Beneficiário: Graciella dos Santos Favoreto
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Vinculado ao auxílio: 24/13328-9 - Gestão inteligente de dados multimodais de saúde para tomada de decisão em cenários de big data: IHealth-MD, AP.TEM
• Assunto(s): Aprendizagem profunda Inteligência artificial explicável Diagnóstico por imagem
• Palavra(s)-Chave do Pesquisador: Apoio ao diagnóstico por imagens | Aprendizado profundo | Classificação de Imagens Médicas | Explicabilidade | IA explicável | Imagens Médicas | Processamento gráfico

Resumo

As doenças pulmonares representam uma das principais causas de mortalidade global, manifestando-se frequentemente como opacidades em radiografias de tórax. O diagnóstico é um desafio devido à sobreposição de padrões entre diversas condições, como neoplasias, tuberculose e infecções, o que leva a altas taxas de erro diagnóstico. Diante desse cenário, ferramentas de auxílio diagnóstico são essenciais, não apenas para a detecção precoce, mas para a classificação detalhada em subtipos clínicos - informação crucial para o manejo do paciente. Este projeto propõe o desenvolvimento de um sistema de inteligência artificial que aborda essa complexidade através de um modelo Ensemble de Deep Learning. A abordagem realizará a classificação hierárquica, identificando tanto a doença principal quanto os principais subtipos em uma análise multimodal. O objetivo é oferecer uma ferramenta robusta que preencha uma lacuna na literatura, fornecendo diagnósticos mais precisos e detalhados para a prática clínica.