Aprendizado de redes neurais profundas para diagnóstico molecular rápido e não invasivo de COVID-19 pela saliva

• Anisio Pereira dos Santos Junior UFU
• Murillo Guimarães Carneiro UFU
• Robinson Sabino-Silva UFU

DOI: https://doi.org/10.5753/sbcas_estendido.2026.20860

Resumo

Este trabalho investiga uma arquitetura híbrida de Aprendizado Profundo (CNN-BiLSTM) para classificar espectros ATR-FTIR de saliva na detecção da COVID-19. Um diferencial crucial da pesquisa é simular um cenário real de triagem em pandemia: o modelo diferencia pacientes positivos não de pessoas saudáveis, mas de um grupo controle de sintomáticos gripais (negativos). A rede extrai alterações biomoleculares sutis no infravermelho perante forte similaridade clínica. Avaliada em 200 amostras, o modelo alcançou acurácia e F1-score médios de 80%, superando estatisticamente métodos tradicionais. Os achados validam o enorme potencial prático da abordagem como uma ferramenta de diagnóstico rápido e não invasivo.

Referências

Akiba, T. et al. (2019). Optuna: A next-generation hyperparameter optimization framework. Proceedings of the 25th ACM SIGKDD, pages 2623–2631.

Alkhuder, K. et al. (2022). Attenuated total reflection Fourier transform infrared (ATR-FTIR) spectroscopy of saliva for the detection of COVID-19. Clinical Spectroscopy, 4:100018.

Caixeta, D. C. et al. (2023). Salivary ATR-FTIR spectroscopy for COVID-19 diagnosis: A systematic review. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 286:121950.

Demšar, J. (2006). Statistical comparisons of classifiers over multiple data sets. Journal of Machine learning research, 7(Jan):1–30.

Educative.io (2024). Introduction to convolutional neural networks (CNN). Accessed: 2024-07-01.

Fan, Y., Tang, Q., Guo, Y., and Wei, Y. (2024). BiLSTM-MLAM: A Multi-Scale Time Series Prediction Model for Sensor Data Based on Bi-LSTM and Local Attention Mechanisms. Sensors, 24(12):3962.

Frederick, J. et al. (2024). Biosensor integration with smartphone applications for clinical diagnosis: A review. Sensors, 24(1):100.

Naseer, K. et al. (2021). ATR-FTIR spectroscopy: A facile and robust tool for diagnosing viral diseases. Photodiagnosis and Photodynamic Therapy, 34:102220.

Oliveira, L. C. et al. (2023). Salivary vibrational spectroscopy for COVID-19 screening. Diagnostics, 13(8):1443.

Santos Jr, A. P., Filho, A. C. M., Sabino-Silva, R., and Carneiro, M. G. (2023). Convolutional Neural Networks for the Molecular Detection of COVID-19. In Brazilian Conference on Intelligent Systems, pages 51–62. Springer.

Savitzky, A. and Golay, M. J. (1964). Smoothing and differentiation of data by simplified least squares procedures. Analytical chemistry, 36(8):1627–1639.

Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., and Salakhutdinov, R. (2014). Dropout: a simple way to prevent neural networks from overfitting. The journal of machine learning research, 15(1):1929–1958.

Taye, M. M. (2023). Theoretical understanding of convolutional neural network: Concepts, architectures, applications, future directions. Computation, 11(3):52.

Wen, Q., Zhou, T., Zhang, C., Chen, W., Ma, Z., Yan, J., and Sun, L. (2022). Transformers in time series: A survey. arXiv preprint arXiv:2202.07125.