{"id":49898,"date":"2025-05-05T15:09:00","date_gmt":"2025-05-05T18:09:00","guid":{"rendered":"https:\/\/eesc.usp.br\/comunicacao-admin\/?p=49898"},"modified":"2025-05-16T12:21:35","modified_gmt":"2025-05-16T15:21:35","slug":"pesquisadores-da-eesc-melhoram-performance-de-modelos-de-previsao-do-cancer-de-mama","status":"publish","type":"post","link":"https:\/\/eesc.usp.br\/comunicacao-admin\/?p=49898","title":{"rendered":"Pesquisadores da EESC melhoram performance de modelos de previs\u00e3o do c\u00e2ncer de mama"},"content":{"rendered":"
\"\"
Fotomontagem: Jornal da USP, feita com imagens de Wikimedia Commons\/Dom\u00ednio p\u00fablico \u2013 National Institute of Health e rawpixel.com\/Freepik<\/figcaption><\/figure>\n
\n
\n

O c\u00e2ncer de mama \u00e9 o tipo de c\u00e2ncer que mais atinge mulheres no Brasil, sendo tamb\u00e9m o c\u00e2ncer que causa o maior n\u00famero de mortes neste mesmo grupo. Segundo informa\u00e7\u00f5es do Instituto Nacional de C\u00e2ncer (Inca), estima-se que\u00a073.610 novos casos<\/a>\u00a0da doen\u00e7a sejam registrados em 2025. Considerando a import\u00e2ncia do diagn\u00f3stico e do tratamento precoce, pesquisadores da Escola de Engenharia de S\u00e3o Carlos (EESC) da USP desenvolveram um m\u00e9todo capaz de melhorar a performance de modelos de previs\u00e3o do c\u00e2ncer de mama e diminuir o n\u00famero de falsos negativos nos resultados. O\u00a0estudo<\/a>, que trabalhou com algoritmos que realizam diagn\u00f3sticos de alta precis\u00e3o, registrou uma redu\u00e7\u00e3o de 99,41% dos falsos negativos presentes nas bases de dados utilizadas.<\/p>\n\n\n\n
\n
\"\"
Jo\u00e3o Pinheiro \u2013 Foto: Arquivo pessoal<\/figcaption><\/figure>\n<\/td>\n
\u00a0<\/td>\nAlgoritmos de aprendizado de m\u00e1quina (machine learning<\/i>) s\u00e3o muito \u00fateis na \u00e1rea m\u00e9dica por aprenderem a identificar anormalidades com a an\u00e1lise de grandes quantidades de dados. Por\u00e9m, Jo\u00e3o Pinheiro, mestrando na \u00e1rea de Intelig\u00eancia Artificial na EESC, comenta ao Jornal da USP<\/b>\u00a0que problemas complexos, como o diagn\u00f3stico correto de uma doen\u00e7a grave, requerem que muitas m\u00e9tricas sejam avaliadas al\u00e9m da acur\u00e1cia \u2013 propor\u00e7\u00e3o dos acertos do modelo pelo n\u00famero de previs\u00f5es realizadas. \u201cTem outras m\u00e9tricas que s\u00e3o mais importantes. (\u2026) \u00c9 um problema complexo de se tratar porque as m\u00e9tricas s\u00e3o correlacionadas. Se eu apenas focar no falso negativo tamb\u00e9m, vou deixar outras m\u00e9tricas muito baixas e o modelo vai perder a qualidade.\u201d<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n
\n
\n
\n
\n
\n
\n

A escolha em trabalhar com diagn\u00f3sticos de c\u00e2ncer de mama tamb\u00e9m n\u00e3o foi por acaso. \u201c\u00c9 uma \u00e1rea muito rica em cole\u00e7\u00e3o de dados que podemos utilizar. Atendia \u00e0s necessidades de provar quais seriam os modelos com melhor desempenho e tinha uma quantidade de dados suficiente e de boa qualidade\u201d, declara Marcelo Becker, professor no Departamento de Engenharia Mec\u00e2nica da EESC e coautor do estudo. Outra vantagem do enfoque escolhido foi a facilidade de compara\u00e7\u00e3o com outros modelos, justamente pela vasta disponibilidade de dados e pesquisas anteriores sobre o assunto.<\/p>\n

M\u00e9tricas para falsos negativos<\/strong><\/p>\n\n\n\n
\n
\"\"
Marcelo Becker \u2013 Foto: Arquivo pessoal<\/figcaption><\/figure>\n<\/td>\n
\n

 <\/p>\n<\/td>\n

\n

Jo\u00e3o Pinheiro e Marcelo Becker optaram por lidar com algoritmos baseados em\u00a0\u00e1rvores de decis\u00e3o<\/a>, modelos simples e f\u00e1ceis de serem interpretados, pois s\u00e3o estruturados em sequ\u00eancias de perguntas com respostas de sim ou n\u00e3o. A depender das respostas obtidas, o programa percorre diferentes ramos at\u00e9 chegar em um veredito. O diferencial do estudo foi a utiliza\u00e7\u00e3o da t\u00e9cnica de\u00a0boosting<\/i>, que vem da ideia de combinar um modelo b\u00e1sico com outros mais complexos e eficientes, gerando uma otimiza\u00e7\u00e3o do processo. \u201c\u00c9 como se a gente fosse treinar um monte de \u00e1rvores sequencialmente\u201d, afirma Pinheiro.<\/p>\n

Os dados de alimenta\u00e7\u00e3o para esses modelos de\u00a0boosting<\/i>\u00a0s\u00e3o puramente num\u00e9ricos. \u201cAlgu\u00e9m realizou uma tomografia, e a partir dela voc\u00ea obt\u00e9m algumas m\u00e9tricas num\u00e9ricas\u201d, continua o pesquisador. Marcelo destaca que os dados s\u00e3o disponibilizados para todos, de forma que diferentes pessoas podem testar programas e realizar melhorias em processos de diagn\u00f3sticos.<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

\u201cA escolha est\u00e1, de fato, na performance desses modelos. Eles funcionam, s\u00e3o muito r\u00e1pidos para treinar, s\u00e3o muito r\u00e1pidos para inferir, e nesse exemplo que j\u00e1 temos os dados tabulados, eles t\u00eam performance \u00e0s vezes superior a redes neurais\u201d, ressalta Jo\u00e3o Pinheiro.<\/p>\n

Ao treinar os modelos de \u00e1rvore de decis\u00e3o com m\u00e9tricas espec\u00edficas \u2013 como a chamada F1-Score, especializada em considerar falsos negativos e falsos positivos \u2013, os pesquisadores conseguiram desenvolver um\u00a0framework<\/i>. Em outras palavras, eles foram capazes de criar um mecanismo de treino e melhoria que \u00e9 aplic\u00e1vel, de forma gen\u00e9rica, nos diversos modelos de aprendizado de m\u00e1quina que lidam com a previs\u00e3o do c\u00e2ncer.<\/p>\n

\n
\n
\n
\n

Passos futuros<\/strong><\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n

\n
\n
\n
\n
\n
\n
\n
\n

Testes realizados no estudo verificaram uma redu\u00e7\u00e3o de 99,41% dos falsos negativos previstos nos bancos de dados utilizados. \u201cOs modelos j\u00e1 t\u00eam uma performance relativamente satisfat\u00f3ria no aspecto dos dados. O que conseguimos mostrar \u00e9 que podemos focar em falsos negativos e confiar o suficiente para gerar uma m\u00e9trica robusta\u201d, diz Jo\u00e3o Pinheiro ao\u00a0Jornal da USP<\/b>. Ele menciona que o alto poder de generaliza\u00e7\u00e3o tamb\u00e9m \u00e9 um sinal positivo, j\u00e1 que \u00e9 uma garantia de que o modelo ser\u00e1 eficiente em lidar com novos dados posteriormente.<\/p>\n

O potencial do m\u00e9todo desenvolvido \u00e9 que ele possa ser aplicado em outros tipos de algoritmos e, futuramente, em melhorias de identifica\u00e7\u00e3o de falsos negativos. A pesquisa, associada ao trabalho de conclus\u00e3o de curso (TCC) de Pinheiro, colabora para a forma\u00e7\u00e3o de novas metodologias de otimiza\u00e7\u00e3o, tornando esse campo de estudo de\u00a0machine learning<\/i>\u00a0mais robusto e fundamentando m\u00e9tricas confi\u00e1veis de problemas que podem, inclusive, ir al\u00e9m da predi\u00e7\u00e3o do c\u00e2ncer de mama. Para Marcelo Becker, o interessante seria estimular parcerias com o campo da medicina, de forma que profissionais de diferentes \u00e1reas possam dar prosseguimento \u00e0 linha de pesquisa.<\/p>\n<\/div>\n<\/div>\n

\n
\n

O artigo\u00a0Breast Cancer Classification Using Gradient Boosting Algorithms Focusing on Reducing the False Negative and SHAP for Explainability\u00a0<\/i>pode ser lido\u00a0aqui<\/a>.<\/p>\n

Mais informa\u00e7\u00e3o: joaomh@pm.me, com Jo\u00e3o Pinheiro, e becker@sc.usp.br, com Marcelo Becker.<\/em><\/p>\n

Texto: Fernanda Zibordi, estagi\u00e1ria sob orienta\u00e7\u00e3o de Fabiana Mariz
\nArte: Beatriz Haddad, estagi\u00e1ria sob orienta\u00e7\u00e3o de Mois\u00e9s Dorado
\n<\/em>Por: Jornal da USP<\/a><\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/section>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/section>\n","protected":false},"excerpt":{"rendered":"

M\u00e9todo, que trabalha com algoritmos baseados em aprendizado de m\u00e1quina, registrou uma redu\u00e7\u00e3o de 99% dos diagn\u00f3sticos falsos negativos.<\/p>\n","protected":false},"author":20,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false,"footnotes":""},"categories":[55,37,163],"tags":[238,323,321,359,330,328],"class_list":["post-49898","post","type-post","status-publish","format-standard","hentry","category-divulgacao-imprensa","category-noticias","category-pesquisa","tag-eesc","tag-eesc-usp","tag-engenharia","tag-engenharia-mecanica","tag-inovacao","tag-inteligencia-artificial","entry"],"_links":{"self":[{"href":"https:\/\/eesc.usp.br\/comunicacao-admin\/index.php?rest_route=\/wp\/v2\/posts\/49898","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/eesc.usp.br\/comunicacao-admin\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/eesc.usp.br\/comunicacao-admin\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/eesc.usp.br\/comunicacao-admin\/index.php?rest_route=\/wp\/v2\/users\/20"}],"replies":[{"embeddable":true,"href":"https:\/\/eesc.usp.br\/comunicacao-admin\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=49898"}],"version-history":[{"count":10,"href":"https:\/\/eesc.usp.br\/comunicacao-admin\/index.php?rest_route=\/wp\/v2\/posts\/49898\/revisions"}],"predecessor-version":[{"id":49923,"href":"https:\/\/eesc.usp.br\/comunicacao-admin\/index.php?rest_route=\/wp\/v2\/posts\/49898\/revisions\/49923"}],"wp:attachment":[{"href":"https:\/\/eesc.usp.br\/comunicacao-admin\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=49898"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/eesc.usp.br\/comunicacao-admin\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=49898"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/eesc.usp.br\/comunicacao-admin\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=49898"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}