Dados de Saúde Processados via MASSA: Aceleração em GPU de um Classificador Baseado em Grafos

• Diego Sanches Nere dos Santos UFOP
• Luiz Carlos Bambirra Torres UFOP

DOI: https://doi.org/10.5753/sbcas.2026.20797

Resumo

O crescimento de dados no setor de saúde exige processamento eficiente para diagnósticos em tempo real, mas algoritmos de IA fundamentais para essa análise costumam ser sequenciais e computacionalmente proibitivos. É o caso de classificadores geométricos como o NN-clas, baseados em Grafos de Gabriel, que enfrentam um gargalo computacional cúbico (O(N³)) durante sua construção. Este trabalho apresenta uma implementação acelerada em GPU do NN-clas para dados de saúde pré-processados via fluxo MASSA. Ao utilizar uma arquitetura SIMT e uma estratégia de mapeamento implícito de índices, mitigamos o gargalo de memória O(N²). Resultados experimentais utilizando datasets farmacêuticos demonstraram speedups de até 2.852x em relação à versão sequencial, confirmando a viabilidade da abordagem para suporte à decisão clínica de baixa latência.

Referências

Arias-Garcia, J., de Souza, A. C., Gade, L., Yudi, J., Coelho, F., Castro, C. L., Torres, L. C. B., and Braga, A. P. (2024). Improved design for hardware implementation of graph-based large margin classifiers for embedded edge computing. IEEE Transactions on Neural Networks and Learning Systems, 35(1):1320–1329.

Gabriel, K. R. and Sokal, R. R. (1969). A new statistical approach to geographic variation analysis. Systematic Biology, 18(3):259–278.

Gade, L., Castro, C., Torres, L., Coelho, F., Braga, A., Arias García, J., and Sill Torres, F. (2018). Nn-clas: classificador geométrico de margem larga baseado na regra do vizinho mais próximo. pages 1–12.

Garcia, L. P., de Carvalho, A. C., and Lorena, A. C. (2015). Effect of label noise in the complexity of classification problems. Neurocomputing, 160:108–119.

NVIDIA Corporation (2025). CUDA C++ Programming Guide. NVIDIA Corporation. Version 13.0. Acessado em: 27 out. 2025.

Owens, J. D., Houston, M., Luebke, D., Green, S., Stone, J. E., and Phillips, J. C. (2008). Gpu computing. Proceedings of the IEEE, 96(5):879–899.

Veríssimo, G. C., Pantaleão, S. Q., Fernandes, P. O., Gertrudes, J. C., Kronenberger, T., Honorio, K. M., and Maltarollo, V. G. (2023). Massa algorithm: an automated rational sampling of training and test subsets for qsar modeling. Journal of Computer-Aided Molecular Design, 37(12):735–754.

Zhang, Y., He, G., Ma, L., et al. (2023). A gpu-based computational framework that bridges neuron simulation and artificial intelligence. Nature Communications, 14:5798.

Çolhak, F., Coşkun, H., Tsafac Nkombong, R. C., Hoxa, T., Ecevit, M. , and Aydin, M. N. (2025). Accelerating iov intrusion detection: Benchmarking gpu-accelerated vs cpu-based ml libraries.. Available at: [link].