Algoritmo de árvore de decisão baseado em mapas auto-organizáveis: um estudo de caso em hemogramas de pacientes com COVID-19
Tipo
Tese
Data de publicação
2022-08-12
Periódico
Citações (Scopus)
Autores
Sargiani, Vagner
Orientador
Silva, Leandro Augusto da
Título da Revista
ISSN da Revista
Título de Volume
Membros da banca
Oliveira, Rogério de
Kitani, Edson Caoru
Vallim Filho, Arnaldo Rabello de Aguiar
Sassi, Renato José
Kitani, Edson Caoru
Vallim Filho, Arnaldo Rabello de Aguiar
Sassi, Renato José
Programa
Engenharia Elétrica e Computação
Resumo
A classificação de dados é um processo automático ou semi-automático que, utilizando
Inteligência Artificial (IA), a relação das variáveis descritivas e de classificação de um
conjunto de dados é aprendida por um algoritmo para uso a posteriori em situações onde
o resultado da classe é desconhecido. Por muitos anos, o trabalho neste tópico tem tido
como objetivo aumentar a taxa de acerto dos algoritmos. Entretanto, em aplicações no
contexto da saúde, além da preocupação com o desempenho, também é necessário projetar algoritmos com resultado compreensível para o especialista responsável pela tomada
de decisão. Dentre os problemas da medicina, um dos grandes focos de pesquisa neste período está relacionado a COVID. E o uso de IA pode auxiliar no diagnóstico precoce.
Dentre os dados disponíveis de COVID-19, o exame de sangue é um procedimento típico
realizado quando o paciente procura o hospital e o seu uso no diagnóstico permite, entre
outras coisas, a reduzir a realização de outros exames de diagnóstico que pode impactar no
tempo da detecção e nos gastos dos exames. Neste trabalho propõe-se o uso de redes neurais do tipo Self-Organizing Maps (SOM) como base para descobrir os fatores do exame
de sangue que são mais relevantes no diagnóstico de COVID-19. O trabalho propões usar SOM e cálculo de entropia para criação de um modelo hierárquico semi supervisionado
explicável, chamado TESSOM (de Tree-based Entropy Structured Self-Organizing Maps),
o qual tem como característica ampliar a investigação de grupos de casos em que há maior
sobreposição de classes (diagnóstico). Enquadrar o algoritmo TESSOM no contexto de
Inteligência Artificial Explicável (XAI) permite que seja possível explicar os resultados
ao especialista de uma forma simplificada. É demonstrado no trabalho que o uso do
algoritmo TESSOM para identificação de atributos de exames de sangue pode auxiliar
nas pesquisas sobre identificação de casos de COVID-19, além de possuir o desempenho
1,489% melhor em multicenários ao analisar uma base de 2207 casos de 3 hospitais no
estado de São Paulo, Brasil. Este trabalho é um ponto de partida importante para que
pesquisadores possam identificar atributos relevantes de exames de sangue não apenas
para COVID-19, mas como apoio para diagnóstico de outras doenças.
Descrição
Palavras-chave
TESSOM , self-organizing maps , entropia , XAI , suporte visual , COVID-19 , mineração de dados