Inteligência artificial explicável aplicada a hemogramas simples como suporte à tomada de decisão em diagnósticos de Covid-19

Página do item simplificado
dc.contributor.advisorSilva, Leandro Augusto da
dc.contributor.authorVallim, Marco Vinicius Bhering de Aguiar
dc.date.accessioned2023-04-28T11:32:03Z
dc.date.available2023-04-28T11:32:03Z
dc.date.issued2022-01-28
dc.description.abstractA pandemia causada pela COVID-19 em decorrência da infecção causada pelo vírus SARS COV 2 mudou a dinâmica da humanidade e mobilizou várias áreas científicas para explorar soluções diagnósticas e terapias alternativas de maneira sem precedentes. Dessa forma, a Inteligência Artificial (IA) emerge como aliada para compreender o comporta mento do vírus, sendo usada como ferramenta de suporte à tomada de decisão na definição de diagnósticos acerca da infecção pelo vírus. Porém, um dos principais desafios apresentados no uso de IA na área de saúde decorre do fato de que os algoritmos com melhores resultados nas tarefas de predição são caixa preta e, portanto, não é possível interpretar a lógica da tomada de decisão do algoritmo. Isso é um problema porque nessa área é essencial equilibrar precisão e interpretabilidade, visto que os profissionais de saúde precisam entender os motivos que levam o sistema a gerar determinadas recomendações. Dessa forma, é necessário que os modelos de IA sejam capazes de fornecer altos índices de precisão em suas recomendações, mas também precisam ser interpretáveis pelos usuários, apontando para uma abordagem de Inteligência Artificial Explicável. Para buscar otimizar o tradeoff entre desempenho e explicabilidade, o estudo aqui apresentado utiliza um modelo híbrido com dois algoritmos interpretáveis (Mapas Auto-Organizáveis, SOM e Classificação Baseada em Associação, CBA) para diagnosticar por meio de hemogramas simples a infecção pelo vírus causado da COVID-19 e, assim, buscando criar um modelo de Inteligência Artificial Explicável que seja uma ferramenta de suporte na tomada da decisão diagnóstica desta doença. Esse estudo apresentou índices de desempenho superiores a quaisquer experimentos feitos com CBA ou SOM individualmente neste trabalho, chegando a uma acurácia média superior a 74,5%, além de apontar as variáveis mais relevantes relacionadas ao diagnóstico de Covid-19, como Hematócritos, Plaquetas, Linfócitos Absolutos, Basófilos Absolutos e Eosinófilos Absolutos. Também foi possível extrair intervalos de valores para essas variáveis que apresentam maior probabilidade de infecção.pt_BR
dc.description.sponsorshipCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nívelpt_BR
dc.description.sponsorshipCNPQ - Conselho Nacional de Desenvolvimento Científico e Tecnológicopt_BR
dc.identifier.urihttps://dspace.mackenzie.br/handle/10899/32540
dc.language.isopt_BRpt_BR
dc.publisherUniversidade Presbiteriana Mackenzie
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectCOVID-19pt_BR
dc.subjectkohonenpt_BR
dc.subjectinteligência artificial explicávelpt_BR
dc.subjectaprendizagem de máquinapt_BR
dc.subjectclassificador associativopt_BR
dc.subjectmapas auto-organizáveispt_BR
dc.titleInteligência artificial explicável aplicada a hemogramas simples como suporte à tomada de decisão em diagnósticos de Covid-19pt_BR
dc.typeDissertaçãopt_BR
local.contributor.advisorLatteshttp://lattes.cnpq.br/1396385111251741pt_BR
local.contributor.advisorOrcidhttps://orcid.org/0000-0002-8671-3102pt_BR
local.contributor.authorLatteshttp://lattes.cnpq.br/0597940054574281pt_BR
local.contributor.board1Monteiro, Luiz Henrique de Alves
local.contributor.board1Latteshttp://lattes.cnpq.br/1820487447148268pt_BR
local.contributor.board1Orcidhttps://orcid.org/0000-0002-2309-1254pt_BR
local.contributor.board2Souza, Alexandra Aparecida de
local.contributor.board2Latteshttp://lattes.cnpq.br/1119774618311172pt_BR
local.description.abstractenThe pandemic caused by COVID-19 as a result of the infection caused by SARS CoV 2 virus has changed the dynamics of humanity and mobilized several scientific areas to explore diagnostic solutions and alternative therapies in an unprecedented way. Thus, Artificial Intelligence (AI) emerges as an ally to understand the behavior of the virus, being used as a tool to support decision-making in defining diagnoses about the virus in fection. However, one of the main challenges presented in the use of AI in the healthcare area stems from the fact that the algorithms that present the best results are black box and, therefore, it is not possible to interpret the decision-making logic of the algorithm. This is a problem because in this area a balance of precision and interpretability is es sential, as health professionals need to understand the reasons that lead the system to generate its recommendations. Thus, it is necessary that AI models are able to provide high levels of accuracy in their recommendations, but they also need to be interpretable by users, pointing to an Explainable Artificial Intelligence approach. In order to optimize the tradeoff between performance and explainability, the study presented here uses a hybrid model with two interpretable algorithms (Self-Organizing Maps, SOM and Association Based Classification, CBA) to diagnose, through simple blood counts, the virus infection caused by COVID-19. Thus, seeking to create an Explainable Artificial Intelligence model as a support tool in making the diagnostic decision for this disease. This study showed performance indexes superior to any experiments carried out with CBA or SOM indivi dually, in addition to pointing out the most relevant variables related to the diagnosis of Covid-19, such as Hematocrit, Platelets, LymphocytesAbsolute, Basophils.Absolut and Eosinophils.Absolute. It was also possible to extract ranges of values that are more likely to be related to the infection.pt_BR
local.keywordsCOVID-19pt_BR
local.keywordskohonenpt_BR
local.keywordsexplainable artificial intelligencept_BR
local.keywordsmachine learningpt_BR
local.keywordsclassification based on association rulept_BR
local.keywordsself organizing mapspt_BR
local.publisher.countryBrasil
local.publisher.departmentEscola de Engenharia Mackenzie (EE)pt_BR
local.publisher.initialsUPM
local.publisher.programEngenharia Elétrica e Computaçãopt_BR
local.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRApt_BR
local.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO::COMPUTABILIDADE E MODELOS DE COMPUTACAOpt_BR
local.subject.cnpqCNPQ::CIENCIAS BIOLOGICAS::MICROBIOLOGIA::BIOLOGIA E FISIOLOGIA DOS MICROORGANISMOS::VIROLOGIApt_BR
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Marco Vinicius Bhering de Aguiar Vallim- protegido.pdf
Tamanho:
3.49 MB
Formato:
Adobe Portable Document Format
Descrição:
Marco Vinicius Bhering de Aguiar Vallim
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1.95 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
Engenharia Elétrica e Computação - Dissertações - EE Higienópolis