Sistema de Apoio à Prevenção da Recidiva do Câncer de Mama com Algoritmos de Otimização e Segmentação de Imagens

• Carlos Estellita Neto UECE
• Thalyson Gomes Nepomuceno da Silva UECE
• Gustavo Augusto Lima de Campo UECE
• Thelmo Pontes de Araujo UECE
• Sara Maria Moreira Lima Verde UECE

DOI: https://doi.org/10.5753/latinoware.2025.16383

Resumo

Este estudo propõe o desenvolvimento de um sistema inteligente para prevenção da recidiva do câncer de mama, combinando aspectos de avaliação nutricional, segmentação de imagens médicas e otimização em busca local. A partir da absorção dos dados pelo questionário ANPREC, juntamente com as informações provenientes da segmentação da tomografia computadorizada, algoritmos de otimização, Algoritmo Genético e NSGA-II, formulam planos personalizados de recomendações para melhoria de hábitos saudáveis do paciente. Ao final, podese concluir que o NSGA-II apresenta boa formulação de planos personalizados; porém, para o sistema possuir melhor eficácia, é necessário desenvolver um método de segmentação mais robusto.

Palavras-chave: Câncer de Mama, Recidiva, Algoritmos de Otimização, Segmentação de Imagem

Referências

Organização Pan-Americana da Saúde, “Câncer,” 2020, acessado em: 2 de dezembro de 2024. [Online]. Available: [link]

Instituto Nacional de Câncer José Alencar Gomes da Silva, “Estimativa 2018: Incidência de câncer no brasil,” Revista Brasileira de Cancerologia, vol. 64, no. 1, pp. 119–120, 2018. [Online]. Available: [link]

Organização Mundial da Saúde, Marco de Aplicação da Iniciativa Mundial contra o Câncer de Mama: avaliação, fortalecimento e expansão dos serviços de detecção precoce e tratamento do câncer de mama. Resumo executivo. Genebra: Organização Mundial da Saúde, 2023. [Online]. Available: [link]

World Health Organization, “Cancer fact sheet,” 2024. [Online]. Available: [link]

——, “Obesity causes cancer and is major determinant of disability and death, warns new who report,” 2022, disponível em: [link].

A. C. P. M. Pereira and M. E. L. D. Melo, “Câncer e obesidade: um alerta do inca,” Rede Câncer, vol. 38, pp. 34–35, 2017. [Online]. Available: [link]

P. J. Goodwin, “Energy balance and cancer prognosis,” in Cancer Prevention and Management through Exercise and Weight Control, A. McTiernan, Ed. Boca Raton, FL: CRC Press, 2006.

Instituto Brasileiro de Geografia e Estatística, “Pesquisa do ibge mostra aumento da obesidade entre adultos,” 2020. [Online]. Available: [link]

World Cancer Research Fund and American Institute for Cancer Research, Diet, Nutrition, Physical Activity and Cancer: a Global Perspective. Continuous Update Project Expert Report 2018. London: World Cancer Research Fund International, 2018. [Online]. Available: [link]

Q. Zhang, G. Zhang, J. Lu, and D. Wu, “A framework of hybrid recommender system for personalized clinical prescription,” in 2015 10th International Conference on Intelligent Systems and Knowledge Engineering (ISKE), 2015, pp. 189–195.

M. Donciu, M. Ionita, M. Dascalu, and S. Trausan-Matu, “The runner – recommender system of workout and nutrition for runners,” in 2011 13th International Symposium on Symbolic and Numeric Algorithms for Scientific Computing, 2011, pp. 230–238.

S. Dharia, V. Jain, J. Patel, J. Vora, S. Chawla, and M. Eirinaki, “Profit: A personalized fitness assistant framework,” in Proceedings of the 28th International Conference on Software Engineering and Knowledge Engineering (SEKE). KSI Research, 2016, pp. 174–179.

T. Ueta, M. Iwakami, and T. Ito, “A recipe recommendation system based on automatic nutrition information extraction,” in Knowledge Science, Engineering and Management (KSEM 2011), ser. Lecture Notes in Computer Science, vol. 7091. Springer, 2011, pp. 79–90.

L. Yang, C.-K. Hsieh, H. Yang, J. P. Pollak, N. Dell, S. Belongie, C. Cole, and D. Estrin, “Yum-me: A personalized nutrient-based meal recommender system,” ACM Trans. Inf. Syst., vol. 36, no. 1, Jul. 2017. [Online]. DOI: 10.1145/3072614