Uma Nova Abordagem Baseada em Algoritmos Genéticos para a Explicabilidade de Decisões na Classificação de Lesões Patológicas em Imagens Médicas

• Processo: 25/13249-4
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Data de Início da vigência: 01 de novembro de 2025
• Data de Término da vigência: 31 de agosto de 2027
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Renato Tinós
• Beneficiário: Gabriel Branco Vitorino
• Instituição Sede: Faculdade de Filosofia, Ciências e Letras de Ribeirão Preto (FFCLRP). Universidade de São Paulo (USP). Ribeirão Preto , SP, Brasil
• Vinculado ao auxílio: 24/08485-8 - Centro para inteligência artificial em gestão de saúde, AP.PCPE
• Assunto(s): Algoritmos genéticos Aprendizado computacional Diagnóstico por imagem Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Algoritmos Geneticos | Aprendizado de Máquina | Explicabilidade de Modelos de IA | Imagens Médicas | Interpretabilidade em IA | Inteligência Artificial

Resumo

O presente projeto propõe o desenvolvimento de um novo algoritmo de inteligência artificial (IA) explicável baseado em algoritmos genéticos, voltado para a interpretação das decisões de redes neurais convolucionais aplicadas à classificação de lesões patológicas em imagens médicas. Partindo das limitações dos métodos atuais de explicabilidade, em especial do método LOcal Rule-based Explanations, principal abordagem baseada em algoritmos genéticos, o trabalho busca aprimorar a qualidade e a inteligibilidade das explicações geradas para as decisões de modelos de aprendizado de máquina do tipo caixa-preta em problemas envolvendo a análise de imagens. Para isso, o projeto investigará o uso de segmentações baseadas em conceitos visuais de alto nível e a geração de vizinhanças sintéticas realistas por meio de autoencoders e modelos de difusão. A abordagem será aplicada inicialmente em conjuntos de dados públicos que contém imagens dermatoscópicas e metadados clínicos associados a diferentes tipos de lesões cutâneas. Outros conjuntos de dados envolvendo imagens de lesões patológicas poderão ser considerados. A metodologia inclui o treinamento de modelos preditivos com arquiteturas convolucionais, a aplicação dos métodos explicativos clássicos para comparação e o desenvolvimento de uma estratégia híbrida que combine as mudanças propostas de segmentação semântica, codificação latente e otimização genética. Ao tornar as decisões dos modelos de IA mais transparentes e interpretáveis, espera-se favorecer sua aceitação clínica e contribuir para um uso mais seguro e eficaz da IA na prática médica.