TCC de diplomada da Univates analisa auxílio de IA no diagnóstico de câncer de mama

O câncer de mama é o segundo mais comum no mundo, e o que registra maior incidência entre mulheres. Segundo a Organização Mundial de Saúde (OMS), cerca de 80% dos casos ocorrem em mulheres sem fatores de risco específicos, e o diagnóstico precoce é essencial para reduzir o impacto da doença. 

Diante desse contexto, Gabrielli Sartori analisou como o aprendizado de máquina profundo pode auxiliar no diagnóstico do câncer de mama. O estudo foi desenvolvido no Trabalho de Conclusão de Curso (TCC) para obtenção do diploma no curso de Engenharia de Software da Universidade do Vale do Taquari - Univates. O trabalho foi orientado pelo professor Juliano Dertzbacher.

A mamografia é o exame padrão para rastreamento e detecção da doença, mas a interpretação das imagens exige atenção a detalhes minuciosos por parte dos radiologistas. Em casos de tumores com dimensões inferiores a 1 centímetro ou 1,5 centímetros, a identificação inicial de uma lesão pode demorar e ficar suscetível a falhas.

De acordo com a pesquisa de Gabrielli, a Inteligência Artificial (IA), especialmente o aprendizado de máquina e as redes neurais convolucionais (RNCs), é uma alternativa para apoiar especialistas. "Essas redes são eficazes no processamento de imagens complexas, permitindo identificar padrões que podem passar despercebidos ao olho humano, além de agilizar o processo de diagnóstico", reforça.

Metodologia do estudo

A diplomada utilizou a linguagem de programação Python e o ambiente de desenvolvimento Jupyter Notebook para a execução dos experimentos. O treinamento dos modelos de aprendizado de máquina foi realizado com auxílio do TensorFlow, uma plataforma robusta, e do Keras, uma interface de programação de aplicações (API) de alto nível.

Ao longo de sua pesquisa, Gabrielli desenvolveu e avaliou um modelo de aprendizado profundo voltado à classificação de mamografias, utilizando ensemble learning (técnica de aprendizado de máquina) com as arquiteturas de rede neural DenseNet121, EfficientNetB1 e ResNet50.

O modelo foi aplicado ao banco público CBIS-DDSM (Curated Breast Imaging Subset of Digital Database for Screening Mammography), que reúne mais de 2,6 mil exames de mamografia digitalizados. Foram realizadas etapas de pré-processamento de imagens, aumento de dados (data augmentation), balanceamento de classes e calibração de limiar de decisão. Também foram realizados mais de cinquenta treinamentos experimentais, variando hiperparâmetros e outras técnicas. 

O principal objetivo dos testes foi verificar a capacidade do sistema de classificar corretamente novas imagens de mamografia e validar se o modelo criado é capaz de generalizar para novos dados.

Resultados da pesquisa

Gabrielli concluiu que a combinação de redes neurais por meio da técnica utilizada foi eficaz na classificação de lesões mamárias, evidenciando o potencial da IA como ferramenta de apoio à decisão médica e contribuindo para diagnósticos mais rápidos e confiáveis.

Para além do objetivo de sua pesquisa, a diplomada ainda identificou que é possível avançar em projetos que visem a automatização de parte da análise das imagens e de aplicações práticas e inovadoras na área.

Desenrola Aí

Gabrielli foi a convidada do sétimo episódio do videocast Desenrola Aí, que tem como temática o curso de Engenharia de Software e a área de tecnologia.

Os episódios do videocast são lançados no YouTube e Spotify da Univates. Sugestões de temas para os próximos programas podem ser feitas pelo e-mail narede@univates.br.