Uma revisão sistemática da literatura sobre a utilização de algoritmos de Machine Learning para classificação de casos de câncer de pele com base em imagens dermatoscópicas

• Alexis Davidson de Barros IFAL
• Mônica da Cunha IFAL

Resumo

O câncer de pele é o tipo mais comum de câncer. Conforme o Instituto Nacional de Câncer – INCA, a cada ano, cerca de 180 mil novos casos são registrados. Técnicas deMachine Learningestão cada vez mais sendo utilizadas para ajudar na identificação de tumores malignos. O objetivo deste trabalho é investigar e mapear quais algoritmos deMachine Learning, bem como quais as bases de dados, estão sendo utilizados para classificar casos de câncer de pele com base em imagens dermatoscópicas. Como metodologia, utilizou-se uma Revisão Sistemática da Literatura – RLS, onde foram analisados 40 estudos das seguintes fontes:Google Scholar, Science Direct, IEEE e Scielo. Tais estudos foram selecionados com base em umaStringde busca e critérios de inclusão e exclusão. Observou-se que os algoritmos mais utilizados são as Redes Neurais Convolucionais (CNN) e as Máquinas de Vetores de Suporte (SVM). Já as bases de dados mais utilizadas são a ISIC e a PH2 dataset.

Palavras-chave: Algoritmos e Complexidade, Aprendizagem de Máquina, Visão Computacional

Referências

CARVALHO, H. M. Aprendizado de máquina voltado para mineração de dados: árvores de decisão. Monografia submetida ao curso de graduação em (Engenharia de Software) da Universidade de Brasília. 2014.

INCA. Câncer de pele melanoma. 2018. Disponível em:(https://www.inca.gov.br/tipos-de-cancer/cancer-de-pele-melanoma). Acesso em: 08-06-2019.

ISIC. Header About ISIC. 2019 Disponível em:(https://www.isic-archive.com/!/topWith/tightContentTop/about/isicArchive). Acesso em: 08-06-2019.

KITCHENHAM, B.; CHARTERS, S. Guidelines for performing systematic literature reviews in software engineering. In: Technical report, Ver. 2.3 EBSE Technical Report EBSE. [S.l.]: Epidemiol. Serv. Saúde, 2007.

LECUN, Y.; BENGIO, Y.; HINTON, G. Deep Learning. In: Nature: Internacional Journal of Science. [S.l.]: Nature, 2015. v. 521, p. 436–444.

LORENA, A. C.; CARVALHO, A. C. P. L. F. de. Uma introdução às Support Vector Machines. In: Revista de Informática Teórica e Aplicada RITA. [S.l.]: Revista de Informática Teórica e Aplicada RITA, 2007. v. 14, p. 43–67.

MASSUCATTO, J. D. P. Aplicação de conceitos de redes neurais convolucionais na classificação de imagens de folhas. Trabalho de Conclusão de Curso 1, apresentado ao Curso de Engenharia de Computação da Universidade Tecnológica Federal do Paraná UTFPR, Câmpus Pato Branco. 2018.

MOHAMMED, M.; KHAN, M. B.; BASHIER, E. B. M. Machine Learning: Algorithms and Applications. [S.l.]: Taylor Francis Group, 2017.

NAJAFABADI, M. M. et al. Deep Learning applications and challenges in big data analytics. In: Journal of Big Data. [S.l.]: Journal of Big Data, 2015. v. 2, cap. 1.

PEREZ, C. E. The Deep Learning AI Playbook: Strategy for Disruptive Artificial Intelligence. [S.l.]: I.M. Intuition Machine, 2017.

PH2dataset. PH2 dataset. 2019. Disponível em: (https://www.fc.up.pt/addi/ph2\%20Database.html). Acesso em: 08-06-2019.

SBD. Câncer de pele: O que é? 2019. Disponível em: (https://www.sbd.org.br/dermatologia/pele/doencas-e-problemas/cancer-da-pele/64/). Acesso em: 08-062019.

VARGAS, A. C. G.; CARVALHO, A. M. P.; VASCONCELOS, C. N. Um estudo sobre redes neurais convolucionais e sua aplicação em detecção de pedestres. In: Proceedings of the XXIX Conference on Graphics, Patterns and Images. [S.l.: s.n.], 2016. Instituto de Computação, Universidade Federal Fluminense, Niteroi, Brasil.

ZAMBUZZI, I. M.; VIDAL, C. H. L.; PESSANHA, A. C. A. F. Análise do índice de acurácia diagnóstica e terapêutica baseado na dermatoscopia do câncer da pele não melanoma. In: Surgical adn Cosmetic Dermatology. São Paulo: Sociedade Brasileira de Dermatologia, 2017. v. 9, cap. 3, p. 224–227.