Arquitetura de Saúde Digital Baseado em Aprendizagem de Máquina para Diagnóstico de Doenças Oculares: um estudo aplicado ao glaucoma
Retinografia. Glaucoma. Aprendizado de Máquina. Rede Neural de Aprendizado Profundo. Serviço de classificação.
O desenvolvimento de novas tecnologias têm sido essenciais para o diagnóstico e tratamento das doenças oculares. Neste contexto, o uso das técnicas de aprendizado de máquina (AM) e aprendizado profundo (DL) para a classificação e detecção das analogias oculares têm demonstrado bons resultados em pesquisas recentes. Nesta perspectiva, o objetivo da presente tese é desenvolver um serviço de classificação utilizando técnicas de DL, tecnologias web e serviços em nuvem, fazendo um estudo de caso sobre o glaucoma. O Glaucoma é uma doença assintomática que pode causa a cegueira irreversível se for diagnosticada tardiamente. O tipo de imagem utilizado na análise foi a retinografia, pois sua aquisição é de baixo custo; e o exame é realizado por um operador não dependente, ou seja não necessita da presença do médico. Como resultado foi projetada uma arquitetura de inteligência que implementou e treinou várias arquiteturas de DL. A técnica de transferência de aprendizado (transfer learning) foi utilizada como forma reduzir o tempo de treinamento e otimizar o método. Outra técnica importante foi o processo de aumentação de dados (data argumentation) como forma de reduzir o overfitting da rede, evitando assim, que a rede não consiga generalizar no conjunto de teste. Também foi desenvolvido um serviço em nuvem, uma plataforma que utiliza modelos pré-treinados para identificar novos padrões de novas imagens de acordo com a massa de dados da entrada.