Configuração de hyper-parâmetros de modelos deep learning para auxílio no pós-diagnóstico de Tuberculose

• Thomás T. Oliveira UPE
• Vanderson Sampaio FMT-AM
• Patricia T. Endo UPE

DOI: https://doi.org/10.5753/sbcas.2020.11563

Resumo

A Tuberculose (TB) é reconhecida como a doença mais mortal do mundo, segundo a World Health Organization (WHO), sendo umas das dez maiores causas de morte no mundo, além de ser a principal causa de morte de pessoas HIV-positivas. O Brasil é um dos países com alta carga de TB, e uma das maiores taxas de mortalidade do país encontra-se no estado do Amazonas. O objetivo deste trabalho é analisar modelos de deep learning (DL) para auxiliar no pós-diagnóstico de TB, predizendo a gravidade da doença no paciente. Dois modelos de DL são propostos e a técnica de Grid-search é aplicada para definir as configurações com os melhores desempenhos. Os modelos de DL apresentam resultados interessantes, com uma configuração da DL totalmente conectada atingindo 83,4% de especificidade.

Referências

Bergstra, J. and Bengio, Y. (2012). Random search for hyper-parameter optimization. Journal of Machine Learning Research, 13(Feb):281–305.

Cao, Y., Liu, C., Liu, B., Brunette, M. J., Zhang, N., Sun, T., Zhang, P., Peinado, J., Garavito, E. S., Garcia, L. L., et al. (2016). Improving tuberculosis diagnostics using deep learning and mobile health technologies among resource-poor and marginalized communities. In IEEE International Conference on Connected Health (CHASE), pages 274–281. IEEE.

Goldman, L. and Schafer, A. I. (2015). Goldman-Cecil Medicine E-Book. Elsevier Health Sciences.

Han, H., Zhu, X., and Li, Y. (2018). Edlt: Enabling deep learning for generic data classification. In 2018 IEEE International Conference on Data Mining (ICDM), pages 147–156.

Lakhani, P. and Sundaram, B. (2017). Deep learning at chest radiography: automated classification of pulmonary tuberculosis by using convolutional neural networks. Radiology, 284(2):574–582.

LeCun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning. nature 521.

Liu, X.-Y., Wu, J., and Zhou, Z.-H. (2008). Exploratory undersampling for classimbalance learning. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 39(2):539–550.

Rajaraman, S., Candemir, S., Xue, Z., Alderson, P. O., Kohli, M., Abuya, J., Thoma, G. R., and Antani, S. (2018). A novel stacked generalization of models for improved tb detection in chest radiographs. In IEEE Engineering in Medicine and Biology Society (EMBC), pages 718–721. IEEE.

Ryndak, M. B. and Laal, S. (2019). Mycobacterium tuberculosis primary infection and dissemination: A critical role for alveolar epithelial cells. Frontiers in Cellular and Infection Microbiology, 9:299.

Shin, H., Roth, H. R., Gao, M., Lu, L., Xu, Z., Nogues, I., Yao, J., Mollura, D., and Summers, R. M. (2016). Deep convolutional neural networks for computer-aided detection: Cnn architectures, dataset characteristics and transfer learning. IEEE Transactions on Medical Imaging, 35(5):1285–1298.