Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.175
Aluno: Willian Farias Carvalho Oliveira
Orientador: Prof. Cleber Zanchettin
Título: Estimating Human Age Using Machine Learning on Panoramic
Radiographs for Multi-Regional Brazilian Patients
Data: 10/12/2024
Hora/Local: 13h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Tsang Ing Ren (UFPE / Centro de Informática)
Prof. Deborah Queiroz de Freitas França (UNICAMP / Departamento de Diagnóstico Oral)
Prof. Cleber Zanchettin (UFPE / Centro de Informática)
RESUMO:
Este estudo aborda o desafio de desenvolver modelos de aprendizado de máquina para estimativa de idade a partir de radiografias panorâmicas de pacientes de diferentes regiões do Brasil. Utilizando dois conjuntos de dados geograficamente diversos — um da UFPE (Nordeste) e outro da Unicamp (Sudeste) — investigamos as limitações dos modelos de IA quanto à predição de idade em contextos regionais distintos. Construímos um protocolo experimental para avaliar o comportamento dos modelos de aprendizagem de máquina em diferentes cenários. O primeiro experimento evidenciou vieses significativos ao aplicar modelos pré-treinados em um contexto a dados de outras regiões, destacando a necessidade de ajustes regionais. No segundo experimento, foram exploradas abordagens de fine-tuning, que, embora tenham melhorado o desempenho do modelo em dados regionais, não eliminaram totalmente os vieses. O terceiro experimento, treinando o modelo do zero em um conjunto de dados misto, resultou no melhor equilíbrio entre precisão preditiva e generalização. O quarto experimento introduziu técnicas de aumento de dados para aprimorar a robustez do modelo contra outliers e casos extremos. Apesar de melhorias marginais, erros de alta magnitude persistiram, sugerindo a necessidade de estratégias adicionais, como técnicas mais avançadas de aumento de dados e arquiteturas mais complexas. Os resultados deste estudo destacam a importância de dados de treinamento abrangentes e diversificados para melhorar a adaptabilidade dos modelos, bem como a necessidade de refinamentos arquiteturais e a inclusão de conjuntos de dados em larga escala para potencializar a aplicabilidade dos modelos em contextos forenses e clínicos.
Palavras-chave: Ciências Forenses, Estimativa de Idade, Rede Neural Profunda, Métodos Radiológicos.
Comentários desativados