Aprendizado de máquina interpretável para aplicações médicas baseadas em imagens

Resumo

Aprendizado de Máquina vem sendo aplicado a uma miríade de problemas nos últimos anos, obtendo expressivos resultados, especialmente no que se refere a visão computacional, em muito devido a abordagens como os algoritmos de Aprendizado Profundo. No contexto de aplicações médicas para o diagnóstico auxiliado por computadores a partir de imagens, a utilização de algoritmos de aprendizado profundo é de grande valia, sendo uma área que tradicionalmente se vale dos avanços em visão computacional. Contudo, a aplicação prática das soluções empregando algoritmos de aprendizado profundo encontra barreiras, como a dificuldade ou impossibilidade de compreensão e explicação dos resultados gerados. A interpretabilidade dos modelos é essencial para o aumento na confiança e aceitação por especialistas e, consequente, plena exploração destes avanços no campo médico, impactando em efetiva melhora em diagnósticos no dia a dia. Desta forma, a integração e aperfeiçoamento de métodos de interpretabilidade focados ao contexto de aplicações médicas é uma área de estudo em franca ascensão. Este projeto de tese investigará a exploração e aprimoramento de métodos de diagnóstico baseados em imagens com a capacidade de interpretabilidade, tendo por hipótese que modelos interpretáveis são capazes de prover maior confiança em seu uso e permitir melhores análises, auditoria e inspeção por parte dos profissionais médicos e outros interessados. Ainda, é proposto o desenvolvimento integrado junto a especialistas de domínio, objetivando o refinamento e alinhamento preciso dos métodos de interpretabilidade com os requisitos esperados pelos profissionais.