Você está aqui: Página Inicial / Pós-Graduação / Informática / Temas de Pesquisa / Temas de pesquisa 2020.1 / Modelos de Inteligência Computacional para Medicina

Modelos de Inteligência Computacional para Medicina

Prof. Dr. Aydano Machado

Resumo:

Mais do que o avanço tecnológico é a interdisciplinaridade que vem causando uma profunda transformação nas atividades e na maneira do exercício profissional na área de saúde. É nesse contexto que o desenvolvimento da Computação em conjunto como a Medicina se encontra em franca expansão. Tal avanço tem permitido a concepção de soluções computacionais cada vez mais complexas, inovadoras e principalmente interconectadas com a prática profissional. A inclusão da Inteligência Artificial (IA), área de estudo que procura desenvolver técnicas computacionais para simular/executar atividades complexas, traz uma abordagem interessante para a construção de soluções baseadas em conhecimento para o auxílio a tomada de decisão do profissional de saúde. Modelos Computacionais de Conhecimento podem ser construídos para, entre outros, por exemplo: ● Realizar auxílio no diagnóstico de patologias ou anormalidades utilizando sinais biomédicos. ● Fazer previsão de risco ou de resultado cirúrgico. Tais modelos podem ser concebidos por meio de uma modelagem direta, ou utilizando técnicas de Aprendizagem de Máquina (AM), que é um ramo da IA que visa dotar a máquina da capacidade de melhorar o desempenho com a experiência. Assim a máquina é capaz e construir esses modelos de forma automática utilizando a experiência disponível, que pode estar registrada em bancos de dados ou não. O desenvolvimento dessa pesquisa caracteriza uma excelente oportunidade de se desenvolver soluções de IA para o auxílio nas atividades do profissional de saúde, de modo a contribuir para o avanço da ciência e tecnologia, gerando novos conhecimentos com a convergência dessas duas áreas.

 

Referências bibliográficas:

1. LEÃO, EDILEUZA ; ING REN, TSANG ; LYRA, JOÃO M. ; MACHADO, AYDANO ; KOPROWSKI, ROBERT ; LOPES, BERNADO ; VINCIGUERRA, RICCARDO ; VINCIGUERRA, PAOLO ; ROBERTS, CYNTHIA J. ; ELSHEIKH, AHMED ; KRYSIK, KATARZYNA ; AMBRÓSIO, RENATO . Corneal deformation amplitude analysis for keratoconus detection through compensation for intraocular pressure and integration with horizontal thickness profile. COMPUTERS IN BIOLOGY AND MEDICINE, v. 109, p. 263-271, 2019.

2. LYRA, DANIELA ; RIBEIRO, GUILHERME ; TORQUETTI, LEONARDO ; FERRARA, PAULO ; MACHADO, AYDANO ; LYRA, JOÃO MARCELO . Computational Models for Optimization of the Intrastromal Corneal Ring Choice in Patients With Keratoconus Using Corneal Tomography Data. JOURNAL OF REFRACTIVE SURGERY, v. 34, p. 547-550, 2018.

3. LOPES, BERNARDO T. ; RAMOS, ISAAC C. ; SALOMÃO, MARCELLA Q. ; GUERRA, FREDERICO P. ; SCHALLHORN, STEVE C. ; SCHALLHORN, JULIE M. ; VINCIGUERRA, RICCARDO ; VINCIGUERRA, PAOLO ; PRICE, FANCIS W. ; PRICE, MARIANNE O. ; REINSTEIN, DAN Z. ; ARCHER, TIMOTHY J. ; BELLIN, MICHAEL W. ; MACHADO, Aydano P. ; AMBRÓSIO, RENATO . Enhanced tomographic assessment to detect corneal ectasia based on artificial intelligence.. AMERICAN JOURNAL OF OPHTHALMOLOGY, v. 195, p. 223-232, 2018.

4. LYRA, J. M. A. G. ; LYRA, D. A. G. ; RIBEIRO, G.B.O. ; TORQUETTI, L. ; FERRARA, P. ; MACHADO A.P. . Tomographic Findings After Implantation of Ferrara Intrastromal Corneal Ring Segments in Keratoconus. JOURNAL OF REFRACTIVE SURGERY, v. 33, p. 110-115, 2017.

5. DANTAS, Pedro Barreto. Utilização da aprendizagem de máquina e seleção de atributos para o diagnóstico de ceratocone a partir de parâmetros biomecânicos da córnea. 2017. 64 f. Dissertação (Mestrado em Modelagem Computacional de Conhecimento) – Instituto de Computação, Programa de Pós-Graduação em Modelagem Computacional de Conhecimento, Universidade Federal de Alagoas, Maceió, 2017.

6. FERREIRA DE LUCENA, DAVID JONES ; FERREIRA JUNIOR, JOSÉ RANIERY ; MACHADO, AYDANO PAMPONET ; OLIVEIRA, MARCELO COSTA . Automatic weighing attribute to retrieve similar lung cancer nodules. BMC Medical Informatics and Decision Making (Online), v. 16, p. 136-162, 2016.

7. TORQUETTI, L. ; FERRARA, G. ; ALMEIDA, F. ; CUNHA, L. ; ARAUJO, L.P.N. ; MACHADO A.P. ; LYRA, J. M. A. G. ; MERAYO-LLOVES, J. ; FERRARA, P. . Intrastromal Corneal Ring Segments Implantation in Patients With Keratoconus: 10-Year Follow-Up. Journal of Refractive Surgery (1995), v. 30, p. 22-26, 2014.

8. VENTURA, B. V. O. C. ; MACHADO, Aydano P. ; AMBROSIO JR., R. ; RIBEIRO, G.B.O. ; ARAUJO, L.P.N. ; LUZ, A. ; LYRA, J. M. A. G. . Analysis of Waveform-Derived ORA Parameters in Early Forms of Keratoconus and Normal Corneas. Journal of Refractive Surgery (1995), v. 29, p. 637-643, 2013.

9. MACHADO, Aydano P.; LYRA, J. M. A. G. ; AMBROSIO JR., R. ; RIBEIRO, G. ; XAVIER, C. ; COSTA, E. B. Comparing Machine-learning Classifiers in Keratoconus Diagnosis from ORA Examinations. Lecture Notes in Computer Science, v. 6747, p. 90-95, 2011.

10. RIBEIRO, G.B.O.. Um modelo computacional de auxilio ao diagnóstico de ceratocone leve baseado em parâmetros biomecânicos da córnea. 2015. Dissertação (Mestrado em Modelagem Computacional de Conhecimento) - Universidade Federal de Alagoas.

11. LYRA, D. A. G.. Modelos computacionais para otimização da escolha do anel intraestromal em pacientes com ceratocone utilizando dados tomográficos da córnea. 2015. Dissertação (Mestrado em Modelagem Computacional de Conhecimento) - Universidade Federal de Alagoas.

12. HAN, J.; SHOO, L.; XU, D.; SHOTTON, J. Enhanced Computer Vision with Microsoft Kinect Sensor: A Review. IEEE Trans. Cybern. 2013, V. 43, p. 1318–1334.

13. ADARSH S, ASHA S. Human Action Recognition Using Joint Positions from Depth Videos. International Journal of Engineering and Advanced Technology (IJEAT). Volume-4 Issue-5, p. 169-73. June 2015