COMBINAÇÃO DE DEEP LEARNING E MACHINE LEARNING PARA DIAGNÓSTICO AUXILIADO POR INTELIGÊNCIA ARTIFICIAL

Autores

  • Fábio Lofredo Cesar Autor
  • Hygor Santiago Lara Autor

DOI:

https://doi.org/10.56238/arev7n3-111

Palavras-chave:

Raio-x, CNN, Transfer learning, Resnet

Resumo

Este trabalho propõe um sistema híbrido que combina a ResNet (Residual Network - amplamente reconhecida por seu impacto no aprendizado profundo, sendo um marco na área de visão computacional) com Árvores Extremamente Aleatórias (Extra Trees) para classificar imagens de raio-X de tórax e auxiliar na detecção de doenças. A abordagem utiliza a técnica de Transfer Learning, onde a ResNet, previamente treinada, é empregada para extrair características relevantes das imagens. Em seguida, o algoritmo Extra Trees realiza a classificação com base nessas características. Na etapa inicial, utilizando apenas a ResNet combinada com uma pequena rede neural, obtivemos uma acurácia de 95,40% na validação e 79,33% nos testes. Com a implementação do sistema híbrido, os resultados foram significativamente aprimorados, alcançando 96,90% de acurácia na validação e 89,98% nos testes, representando uma melhoria expressiva de aproximadamente 10 pontos percentuais nos testes. Esses resultados destacam o potencial do sistema híbrido em aplicações, demonstrando como a combinação de técnicas avançadas de aprendizado profundo e aprendizado de máquina pode contribuir significativamente para a melhoria da precisão.

Downloads

Os dados de download ainda não estão disponíveis.

Downloads

Publicado

2025-03-12

Edição

Seção

Articles

Como Citar

CESAR, Fábio Lofredo; LARA, Hygor Santiago. COMBINAÇÃO DE DEEP LEARNING E MACHINE LEARNING PARA DIAGNÓSTICO AUXILIADO POR INTELIGÊNCIA ARTIFICIAL. ARACÊ , [S. l.], v. 7, n. 3, p. 12071–12084, 2025. DOI: 10.56238/arev7n3-111. Disponível em: https://periodicos.newsciencepubl.com/arace/article/view/3812. Acesso em: 14 mar. 2025.