Tamanho da fonte:
ÁRVORE DE MAPAS AUTO-ORGANIZÁVEIS PARA EXTRAÇÃO DE REGRAS EM FATORES DE EXAMES DE SANGUE DE PACIENTES COM COVID-19
Última alteração: 2023-12-11
Resumo
A pandemia de COVID-19 causada pelo vírus Sars-CoV-2 tem sido um objeto de estudo relevante devido ao seu impacto global. Com a geração de uma grande quantidade de dados, técnicas de Inteligência Artificial e Aprendizado de Máquina têm sido empregadas para o diagnóstico da doença. Neste contexto, esta pesquisa obteve sucesso no desenvolvimento de um sistema de Inteligência Artificial Explicável utilizando a metodologia de iterações sequenciais de mapas auto-organizáveis (Árvore de SOM) para identificar indícios de infecção por Sars-CoV-2 em pacientes com suspeita de COVID-19 através de seus hemogramas. A metodologia proposta consiste em treinar um modelo SOM inicial para visualizar e calcular as sobreposições de classes, selecionar os neurônios com baixa entropia para refinamento, subdividir o conjunto de dados original em novos subconjuntos e treinar um novo SOM em cada subconjunto. Com a segunda camada de refinamento, houve um aumento significativo no desempenho do modelo, melhorando as predições em 21,6%. O modelo apresentou melhorias significativas com uma segunda camada de SOM, aumentando a acurácia em 21,6%. As variáveis mais relevantes foram MCH, MCV, Hemoglobina e MCHC. A exploração de faixas de valores dessas variáveis resultou em regras interpretáveis que contribuem para a compreensão das predições. Essa abordagem promissora pode auxiliar profissionais de saúde no diagnóstico de COVID-19, ao fornecer explicações transparentes para as tomadas de decisão.
Palavras-chave
COVID-19. Inteligência Artificial Explicável. Mapas Auto-organizáveis.
Texto completo:
PDF