Título: Inteligência Artificial no Diagnóstico: uma Ferramenta para Triagem de Abdome Agudo Pediátrico
Comissão Examinadora - Titulares
Prof. Dr. Ulisses Martins Dias - Presidente - FT/Unicamp
Prof. Dr. Cristhof Johann Roosen Rung - FT/Unicamp
Prof. Dr. Rafael de Oliveira Werneck - Psyche Aerospace
Suplentes
Prof. Dr. Hilário Seibel Junior - IFES
Prof. Dr. Guilherme Palermo Coelho - FT/Unicamp
Local - Sala de Defesa - Prédio da Pós-Graduação da FT | https://stream.meet.google.com/stream/51c6d322-cc22-4e9e-8387-3a689860aa2a
Resumo: Este trabalho teve como objetivo desenvolver modelos de inteligência artificial baseados em redes neurais convolucionais (RNCs) para auxiliar no diagnóstico diferencial de quadros de abdome agudo em pacientes pediátricos. Foram coletadas radiografias de abdome de indivíduos entre 0 e 18 anos, obtidas no Hospital de Clínicas da Unicamp, no período de 2010 a 2024, com aprovação do Comitê de Ética. O processo de construção envolveu etapas como extração manual dos exames, anonimização, pré-processamento de imagens e rotulagem clínica. Trata-se de uma base de dados que não possui equivalente disponível publicamente, fruto de um trabalho extensivo e manual de coleta, curadoria e organização dos dados. As imagens foram rotuladas em quatro categorias por um especialista: Abdome Normal, Abdome Agudo, Dúvida Diagnóstica e Imagem Inadequada. Para este estudo, foram consideradas apenas duas classes, Abdome Normal e Abdome Agudo, visando simplificar o problema e otimizar a capacidade preditiva dos modelos. Foram desenvolvidos dois modelos distintos: um baseado em uma rede neural pouco profunda treinada do início ao fim, com pesos inicializados aleatoriamente, e outro utilizando a técnica de transferência de aprendizado, com a arquitetura ResNet18 pré-treinada no ImageNet. Ambos foram avaliados utilizando uma divisão estratificada dos dados em treino, validação e teste. O modelo baseado em transferência de aprendizado apresentou desempenho superior, alcançando F1-Score de 70%, precisão de 68% e evocação de 73%. Já o modelo treinado do início obteve desempenho inferior, confirmando a eficácia do uso de modelos pré-treinados em cenários com bases de dados reduzidas. Para análise da interpretabilidade, foi empregada a ferramenta SHAP, que possibilitou identificar as regiões das imagens que mais influenciaram as predições do modelo, oferecendo uma explicação qualitativa do comportamento da rede. Os mapas gerados evidenciaram que áreas associadas a distensão gasosa e níveis hidroaéreos foram relevantes para a classificação. Os resultados sugerem que modelos baseados em IA podem ser úteis como ferrame