Medicina preventiva por meio de técnicas de deep learning aplicadas ao prognóstico de saúde

Resumo

O termo Deep Learning (DL) descreve uma classe de algoritmos capazes de combinar dados brutos em camadas sucessivas de recursos para obter inteligência computacional. Esses algoritmos mostraram resultados impressionantes em vários domínios. Na Medicina, por exemplo, que é uma disciplina rica em dados, os dados são complexos e muitas vezes ainda não são compreendidos. As técnicas de Deep Learning podem ser particularmente adequadas para resolver problemas neste campo. Nesse contexto, o objetivo deste projeto é explorar as possibilidades de DL no contexto da medicina auxiliada por computador; as atividades incluem lidar com os vários problemas relacionados à aplicação de DL no contexto específico de dados clínicos. Os problemas incluem demandas de pré-processamento para produzir conjuntos de dados grandes, rotulados e limpos a partir de informações clínicas; modelagem de informações complexas de acordo com as demandas de processamento de DL; ajuste fino de arquiteturas de DL com relação a problemas específicos de tratamento prognóstico; rodadas de testes de treinamento iterativo para obter métodos mais precisos; validação clínica dos resultados; e disseminação dos métodos na forma de aplicações do mundo real com impacto social. Essas tarefas serão realizadas em dois problemas iniciais: (i) a detecção automática de tumores de pele a partir de fotos de lesões da pele; (ii) o prognóstico dos pacientes com base na história clínica, como descrita por registros médicos eletrônicos (EMRs). O primeiro problema usará os dados de acesso aberto do ISIC Dermoscopic Archive, e da Edinburgh Dermofit Library para transferir aprendizado sobre uma rede ResNet-152, modelada para a conhecida competição de dados ILSVRC. O segundo problema utilizará dados da instituição francesa AGIR para orientar a modelagem e o treinamento de uma arquitetura DL denominada Long Short-Term Memory, capaz de inferir sobre grandes contextos de informação sequencial, como os vistos em EMRs. Os dois métodos terão impacto nas práticas de medicina preventiva, permitindo a detecção precoce de tumores de pele e a recomendação precoce de tratamentos/procedimentos. Esse impacto é de especial importância para o cenário brasileiro, em que a atenção básica à saúde é inacessível em muitas regiões do país. O período pós-doc irá contribuir para a expertise do proponente em um campo de pesquisa atualmente ativo, promovendo novas frentes de investigação para seu grupo de pesquisa. (AU)