Aprendizado de máquina para o diagnóstico da hipersensibilidade dentinária utilizando espectroscopia no infravermelho por transformada de Fourier

• Paulo D. S. Souza UFU
• Paola G. Souza UFU
• Paulo V. Soares UFU
• Robinson Sabino-Silva UFU
• Murillo G. Carneiro UFU

DOI: https://doi.org/10.5753/sbcas.2024.2633

Resumo

Neste estudo desenvolvemos um pipeline de ponta a ponta para o diagnóstico da hipersensibilidade dentinária. O pipeline possui dois componentes principais: coleta e preparação de dados, e aprendizado de máquina. No primeiro, amostras do fluido crevicular gengival de pacientes foram submetidas à análise por espectroscopia de infravermelho por transformada de Fourier (FTIR), com etapas de pré-processamento incluindo normalização via Amida I e aplicação de Savitzky-Golay com derivadas. No segundo, diversos modelos de aprendizado de máquina foram desenvolvidos e avaliados. Nossos resultados evidenciaram a viabilidade dos modelos de XGBoost e BiLSTM e a importância da adequada seleção de parâmetros e preparação dos dados de FTIR.

Referências

Ali, S., Abuhmed, T., El-Sappagh, S., Muhammad, K., Alonso-Moral, J. M., Confalonieri, R., Guidotti, R., Del Ser, J., Díaz-Rodríguez, N., and Herrera, F. (2023). Explainable artificial intelligence (XAI): What we know and what is left to attain trustworthy artificial intelligence. Information Fusion, 99:101805.

Caixeta, D. C., Carneiro, M. G., Rodrigues, R., Alves, D. C. T., Goulart, L. R., Cunha, T. M., Espindola, F. S., Vitorino, R., and Sabino-Silva, R. (2023). Salivary ATR-FTIR spectroscopy coupled with support vector machine classification for screening of type 2 Diabetes Mellitus. Diagnostics, 13(8).

Chen, T. and Guestrin, C. (2016). Xgboost: A scalable tree boosting system. pages 785–794.

Filho, A. C. M., Fernandes, J. M., Sabino-Silva, R., and Carneiro, M. G. (2023). OCANSpectra: an oral cancer detection system from salivary ATR-FTIR spectroscopy. In Anais do XX Encontro Nacional de Inteligência Artificial e Computacional, pages 984–996, Porto Alegre, RS, Brasil. SBC.

Filho, R. B. L. and Carneiro, M. G. (2023). Diagnóstico do câncer oral através da classificação de alto nível. In Anais Estendidos do XXIII Simpósio Brasileiro de Computação Aplicada à Saúde, pages 54–59, Porto Alegre, RS, Brasil. SBC.

Kiser, A. C. et al. (2023). Developing an LSTM model to identify surgical site infections using electronic healthcare records. AMIA Joint Summits on Translational Science proceedings, 2023:330–339.

Leal, L., Nogueira, M., Canevari, R., and Carvalho, L. (2018). Vibration spectroscopy and body biofluids: Literature review for clinical applications. Photodiagnosis and Photodynamic Therapy, 24:237–244.

Li, Y.-P., Lu, T.-Y., Huang, F.-R., Zhang, W.-M., Chen, Z.-Q., Guang, P.-W., Deng, L.-Y., and Yang, X.-H. (2024). Differential diagnosis of crohn’s disease and intestinal tuberculosis based on ATR-FTIR spectroscopy combined with machine learning. World J. Gastroenterol., 30(10):1377–1392.

Lima, J. B., Nascimento, A. R. F., Nascimento, V. R. P., and Oliveira, I. L. M. (2021). Hipersensibilidade dentinária: etiologia, diagnóstico e tratamento. Odontol. Clín.Cient, 20(2):46–51.

Lima, T. C., Vieira-Barbosa, N. M., Grasielle de Sá Azevedo, C., de Matos, F. R., Douglas de Oliveira, D. W., de Oliveira, E. S., Ramos-Jorge, M. L., Gonçalves, P. F., and Flecha, O. D. (2016). Oral Health-Related quality of life before and after treatment of dentin hypersensitivity with cyanoacrylate and laser. J Periodontol, 88(2):166–172.

Pereira de Souza, N. M., Machado, B. H., Padoin, L. V., Prá, D., Fay, A. P., Corbellini, V. A., and Rieger, A. (2023). Rapid and low-cost liquid biopsy with ATR-FTIR spectroscopy to discriminate the molecular subtypes of breast cancer. Talanta, 254(123858):123858.

Salehinejad, H., Sankar, S., Barfett, J., Colak, E., and Valaee, S. (2017). Recent advances in recurrent neural networks.

Sharfuddin, A., Tiham, N., and Islam, M. S. (2018). A deep recurrent neural network with BiLSTM model for sentiment classification. pages 1–4.

Sichman, J. S. (2021). Inteligência artificial e sociedade: avanços e riscos. Estudos Avançados, 35(101):37–50.

Souza, P. G. (2018). Análise da composição química do fluido crevicular gengival em dentes com hipersensibilidade dentinária através das espectroscopias ATR-FTIR e Raman. Dissertação de mestrado, Universidade Federal de Uberlândia, Uberlândia.

Vilone, G. and Longo, L. (2021). Notions of explainability and evaluation approaches for explainable artificial intelligence. Information Fusion, 76.

Wang, H., Rehmetulla, A., Guo, S., Kong, X., Lü, Z., Guan, Y., Xu, C., Sulaiman, K., Wei, G., and Liu, H. (2022). Machine learning based on structural and FTIR spectroscopic datasets for seed autoclassification. RSC Adv, 12(18):11413–11419.

Wang, T., Tian, Y., and Qiu, R. G. (2019). Long Short-Term memory recurrent neural networks for multiple diseases risk prediction by leveraging longitudinal medical records. IEEE J Biomed Health Inform, 24(8):2337–2346.

Yu, C., Qi, X., Ma, H., He, X., Wang, C., and Zhao, Y. (2020). LLR: Learning learning rates by LSTM for training neural networks. Neurocomputing, 394.

Zhao, A.-X., Tang, X.-J., Zhang, Z.-H., and Liu, J.-H. (2014). The parameters optimization selection of Savitzky-Golay filter and its application in smoothing pretreatment for FTIR spectra. In 2014 9th IEEE Conference on Industrial Electronics and Applications, pages 516–521.

Zlotogorski-Hurvitz, A., Dekel, B. Z., Malonek, D., Yahalom, R., and Vered, M. (2019). FTIR-based spectrum of salivary exosomes coupled with computational-aided discriminating analysis in the diagnosis of oral cancer. J Cancer Res Clin Oncol, 145(3):685–694.