Banca de QUALIFICAÇÃO: MATEUS RAIMUNDO DA CRUZ

Uma banca de QUALIFICAÇÃO de DOUTORADO foi cadastrada pelo programa.
DISCENTE : MATEUS RAIMUNDO DA CRUZ
DATA : 26/02/2026
HORA: 14:00
LOCAL: https://meet.google.com/tby-izxv-jho
TÍTULO:

Aplicação de Técnicas Avançadas de Aprendizado de Máquina e Visão Computacional no Diagnóstico Médico: Da Análise Monocanal de Sinais EEG à Classificação de Imagens Médicas em Ambientes de Computação de Borda

PALAVRAS-CHAVES:

Inteligência Artificial

Processamento de Sinais EEG

Vision Transformers

Saúde Móvel

Aprendizado Federado

Diagnóstico Médico.

PÁGINAS: 101
RESUMO:

Este trabalho investiga a aplicação de técnicas avançadas de Inteligência Artificial (IA) e Aprendizado de Máquina (AM) para aprimorar o diagnóstico médico em condições neurológicas e pulmonares, abordando desafios  relacionados à acurácia, eficiência computacional, acessibilidade e privacidade dos dados. O objetivo central é validar soluções baseadas em IA em cenários clínicos heterogêneos, abrangendo desde a análise de sinais biomédicos até a visão computacional móvel e sistemas de aprendizado colaborativo.

A pesquisa é estruturada em três estudos de caso complementares. O primeiro realiza uma avaliação sistemática de modelos de Aprendizado de Máquina baseados em EEG monocanal para a detecção de Epilepsia, Depressão e Esquizofrenia. É proposto um pipeline robusto de extração de características que combina decomposição wavelet de Daubechies com múltiplas medidas de entropia (Aproximada, Fuzzy, de Amostra e de Permutação), capaz de capturar a natureza não linear e não estacionária dos sinais de EEG. Os resultados evidenciam uma forte dependência entre o desempenho diagnóstico e a localização do eletrodo: canais frontais (17–19) mostraram-se mais eficazes para Depressão, o canal 15 apresentou maior poder discriminativo para Esquizofrenia, e o canal 3 foi o mais relevante para Epilepsia. Além disso, estabelece-se uma hierarquia de complexidade dos modelos, indicando que Depressão e Esquizofrenia podem ser classificadas de forma confiável por modelos lineares e Máquinas de Vetores de Suporte, enquanto a Epilepsia demanda abordagens baseadas em ensembles devido à maior complexidade da dinâmica neural. 

O segundo estudo de caso concentra-se em visão computacional móvel para detecção de pneumonia. Um classificador baseado em Vision Transformer (ViT) é proposto e implementado em smartphones utilizando TensorFlow Lite, permitindo inferência diretamente no dispositivo, sem dependência de serviços em nuvem. Quando comparado a Redes Neurais Convolucionais (CNNs) tradicionais, o modelo ViT demonstrou desempenho superior na distinção entre pneumonia bacteriana e viral em imagens de raio-X, alcançando um equilíbrio mais favorável entre acurácia e custo computacional. Essa eficiência decorre do mecanismo de atenção global do ViT, que captura dependências espaciais de longo alcance com menor número de parâmetros, tornando-o especialmente adequado para computação de borda em ambientes com recursos limitados.

O terceiro estudo explora a inteligência colaborativa por meio de um estudo de caso de Aprendizado Federado aplicado à detecção de Tuberculose. Utilizando o framework Flower e uma arquitetura baseada na AlexNet, é simulado um cenário de treinamento descentralizado entre múltiplas instituições. Os resultados confirmam que o Aprendizado Federado preserva a privacidade dos dados dos pacientes ao manter as informações sensíveis localmente, ao mesmo tempo em que possibilita a construção de um modelo global robusto. Adicionalmente, foram observados ganhos de desempenho em instituições com conjuntos de dados limitados ou de menor qualidade após a agregação federada, evidenciando o potencial dessa abordagem para reduzir desigualdades entre centros de saúde. De forma integrada, esta tese demonstra que técnicas de IA podem ser adaptadas de maneira eficaz a diferentes contextos médicos, viabilizando ferramentas diagnósticas precisas, eficientes e orientadas à preservação da privacidade. As contribuições oferecem subsídios práticos para o desenvolvimento de sistemas EEG de baixo custo, aplicações diagnósticas móveis e frameworks seguros de aprendizado colaborativo, avançando a aplicação da IA em cenários reais da saúde.

MEMBROS DA BANCA:
Presidente - 395119 - TALES CLEBER PIMENTA
Interno - 3150657 - GABRIEL ANTONIO FANELLI DE SOUZA
Interno - 2195171 - ROBSON LUIZ MORENO