O centro de P&D de bioestatística de um laboratório farmacêutico global observou a ineficácia dos métodos existentes para classificar o câncer por imagem. Mostramos que o aprendizado profundo pode superar esses métodos mesmo em amostras pequenas, permanecendo interpretável por patologistas.
Detecção de câncer por meio de aprendizado profundo
O centro de P&D de bioestatística de um laboratório farmacêutico global observou a ineficácia dos métodos existentes para classificar o câncer por imagem. Mostramos que o aprendizado profundo pode superar esses métodos mesmo em amostras pequenas, permanecendo interpretável por patologistas.
Problématique
Solution
Ce que nous avons construit
Implantamos 1 cientista de dados e 1 engenheiro de dados no modo Scrum para projetar um POC para a classificação de imagens médicas por Deep Learning, que pode ser validado por patologistas.
Etapa 1 — Preparação de dados. Criação e limpeza do conjunto de dados, normalização e aumento de dados em tempo real para compensar o tamanho reduzido da amostra e maximizar a robustez do modelo.
Etapa 2 — Modelagem de aprendizado profundo. Desenvolvimento de uma rede neural convolucional (CNN) baseada na arquitetura ResNet, com aprendizado por transferência para aproveitar modelos pré-treinados e redimensionamento progressivo para otimizar o aprendizado em um pequeno conjunto de dados.
Etapa 3 — Interpretabilidade. Implementação de um sistema completo de explicabilidade: matriz de confusão, métricas de desempenho (exatidão, precisão, recuperação) e mapas de calor mostrando as áreas da imagem que influenciaram a classificação. Os patologistas puderam verificar se o modelo foi baseado nas características clínicas corretas.
Etapa 4 — Validação por especialistas. Apresentação do POC ao departamento de P&D e patologistas. Validação dos resultados e das características clínicas identificadas pelo modelo.
Projets dans la même catégorie
