Banca de DEFESA: JOAO PAULO SILVA MARTINS

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: JOAO PAULO SILVA MARTINS
DATA: 27/08/2025
HORA: 16:30
LOCAL: Laboratório ARIA
TÍTULO: Aplicações de Deep Learning no Diagnóstico da Amiloidose Cardíaca: Avaliando a Eficácia de Modelos Computacionais na Prevenção e Tratamento de Cardiopatias
PALAVRAS-CHAVES: Amiloidose Cardíaca. Deep Learning. YOLO. Algoritmos de Rastreamento. Grad-CAM. LIME. SHAP. Diagnóstico Automatizado. Explicabilidade em IA
PÁGINAS: 73
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Metodologia e Técnicas da Computação
ESPECIALIDADE: Processamento Gráfico (Graphics)
RESUMO: A amiloidose é uma condição médica rara que se manifesta quando um conjunto de proteínas chamadas amiloides se aglomera nos órgãos e tecidos do corpo humano, formando uma fina camada fibrosa, que pode comprometer o seu funcionamento e causar danos, que na maioria das vezes, são considerados irreversíveis. O acúmulo dessas proteínas no tecido do coração desenvolve o que chamamos de amiloidose cardíaca (AC), uma doença grave que resulta na rigidez e no espessamento das paredes ventriculares, acarretando em problemas como disfunção diastólica, fisiologia restritiva e principalmente insuficiência cardíaca. O diagnóstico precoce dessa doença é um fator crucial para garantir uma recuperação efetiva do paciente, considerando que, em estágios avançados, a sua reversão completa é extremamente difícil, podendo evoluir gradativamente e levar ao óbito. É importante ressaltar que esse diagnóstico exige, do profissional, um alto grau de suspeição clínica, dada a sua baixa prevalência. Com isso, o presente estudo tem como objetivo analisar a eficácia do uso de redes neurais convolucionais (CNNs) no auxílio ao diagnóstico da AC, utilizando diferentes arquiteturas de rede, como ResNet-50, VGG16, Xception, MobileNet, InceptionV3 e YOLO, por meio de técnicas de aprendizagem profunda, do inglês, deep learning (DL), visando tornar essa prática mais eficiente e precisa. O estudo também busca compreender quais regiões os modelos consideraram mais relevantes para a classificação utilizando o método Grad-CAM. Os dados foram coletados de ecocardiogramas transtorácicos em formato de vídeo (.avi). A pesquisa utilizou duas abordagens: a primeira com 130 vídeos e redes neurais convolucionais, onde a MobileNet alcançou 84,4% de acurácia e AUC de 0,91. A segunda com 136 vídeos usando segmentação e extração de características (área, velocidade, forma, textura) classificadas com LightGBM, alcançando 70% de acurácia e AUC de 74,7%. Embora a comparação direta dos algoritmos de explicabilidade, como Grad-CAM, com as interpretações médicas ainda necessite de análise mais aprofundada, os resultados preliminares são promissores. Os algoritmos conseguiram destacar áreas das imagens que podem coincidir com as regiões de interesse clínicas, sugerindo potencial para aplicação no auxílio ao diagnóstico da amiloidose cardíaca.
MEMBROS DA BANCA:
Presidente - 1743917 - THAIS GAUDENCIO DO REGO
Interno - 2813926 - TIAGO MARITAN UGULINO DE ARAUJO
Externo ao Programa - 1827772 - YURI DE ALMEIDA MALHEIROS BARBOSA