Banca de QUALIFICAÇÃO: LUIZ HENRIQUE DE AZEVEDO PONTES

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: LUIZ HENRIQUE DE AZEVEDO PONTES
DATA: 29/08/2025
HORA: 16:00
LOCAL: Auditorio do CI
TÍTULO: INTELIGÊNCIA COLABORATIVA NO DIAGNÓSTICO DE RETINOPATIA DIABÉTICA EM PACIENTES SUBMETIDOS À HEMODIÁLISE: UMA ABORDAGEM INTEGRADA DE REDES NEURAIS CONVOLUCIONAIS
PALAVRAS-CHAVES: Retinopatia Diabética, Redes Neurais Convolucionais, Aprendizado Profundo, Inteligência Colaborativa, Hemodiálise, Análise de Imagens Médicas
PÁGINAS: 37
RESUMO: A retinopatia diabética (RD) é uma das principais causas de cegueira evitável, representando um desafio significativo, especialmente para pacientes em hemodiálise, que apresentam alta vulnerabilidade e baixa adesão a exames oftalmológicos. Esta dissertação explora a aplicação da inteligência colaborativa, integrando Redes Neurais Convolucionais (CNNs) ao conhecimento clínico para aprimorar o diagnóstico da RD nessa população de alto risco. Um modelo de deep learning baseado na arquitetura ConvNeXt foi desenvolvido e treinado em um robusto conjunto de dados unificado de 41.648 imagens de retina, provenientes de seis benchmarks públicos (APTOS 2019, EyePACS, DDR, IDRiD, Messidor-2 e DiaRetDB1). A metodologia envolveu a unificação dos dados, divisão estratificada, ponderação de classes para mitigar o desbalanceamento e uma estratégia de treinamento em duas fases (transfer learning e fine-tuning). O modelo alcançou uma acurácia geral de 83,24% e um Kappa Ponderado Quadrático (QWK) de 0,788, indicando uma concordância substancial com os rótulos de referência. O modelo demonstrou um perfil de desempenho especializado, com excelente poder discriminatório para os estágios de moderado a proliferativo (AUC>0.92), embora com sensibilidade variada para os sinais mais sutis da doença em seu estágio inicial. Este perfil de desempenho valida a aplicação clínica ideal do modelo não como uma ferramenta de diagnóstico autônoma, mas como um sistema de inteligência colaborativa. Ele atua como uma ferramenta de triagem de alta eficiência, capaz de identificar corretamente 97,4% dos casos normais (recall da Classe 0), permitindo que todos os demais exames sejam direcionados para revisão de especialistas. Essa abordagem otimiza o fluxo de trabalho e foca a atenção especializada onde ela é mais necessária. Este trabalho destaca o potencial da IA para melhorar a eficiência diagnóstica em cenários clínicos desafiadores, defendendo uma abordagem sinérgica que combina a análise automatizada com a indispensável expertise humana.
MEMBROS DA BANCA:
Presidente - 1175878 - LUCIDIO DOS ANJOS FORMIGA CABRAL
Interno - 1893777 - BRUNO JEFFERSON DE SOUSA PESSOA
Externo ao Programa - 1559497 - MOISES DANTAS DOS SANTOS
Externo ao Programa - 3133535 - RICARDO AZEVEDO PONTES DE CARVALHO