Redes neurais profundas com grafos causais interpretáveis: Aplicações em diagnóstico de câncer

Resumo: Nos últimos anos, a inteligência artificial (IA) tem avançado significativamente, mostrando resultados promissores em diversas áreas, incluindo a área de diagnóstico automatizado de doenças. No entanto, a IA convencional enfrenta limitações, como a explicabilidade/interpretabilidade, dificultando a compreensão dos motivos por trás dos resultados obtidos. O presente projeto destina-se a investigar modelos híbrido que integra IA generativa com modelos de IA causal para análise de dados médicos, tanto unidimensionais (clínicos, espectros) quanto bidimensionais (imagens). Técnicas convencionais de IA, envolvendo redes neurais profundas, são consideradas modelos “black-box”, dificultando ou em muitas vezes não sendo possível a explicação/interpretabilidade dos resultados obtidos. Neste projeto será investigado o uso de Autoencoders Variacionais (VAEs) para aprender distribuição de probabilidade dos dados, combinado com Grafos Acíclicos Direcionados (DAGs) para capturar relações causais. A pesquisa abordará modelos de IA causal para operar com VAEs, construindo diagramas causais a partir das características da camada latente do VAE. O objetivo é desenvolver um modelo de IA híbrido, capaz de fornecer diagnósticos mais precisos e explicáveis, superando as limitações dos modelos convencionais. A pesquisa visa oferecer resultados mais transparentes e confiáveis para médicos em caso de Diagnóstico Auxiliado por Computador (CAD), melhorando a acurácia dos diagnósticos e alinhando as previsões do modelo com o pensamento clínico dos profissionais de saúde. O foco será tratar dados multimodais provindos de diferentes fontes (e.g., imagens, dados clínicos, espectro NIR) de forma mais geral. Nesse sentido, nossos esforços vão se concentrar no desenvolvimento de novos métodos e algoritmos computacionais capazes de fornecer além da solução, a explicabilidade/interpretabilidade dos resultados baseado em relações causais. Como já temos coletados bases de dados para câncer de pele (PAD-UFES-20) e câncer oral (NDB-UFES).

Data de início: 01/04/2025
Prazo (meses): 44

Participantes:

Papel	Nome
Aluno Doutorado	MATHEUS BECALI ROCHA
Coordenador	RENATO ANTÔNIO KROHLING