Banca de QUALIFICAÇÃO: FRANÇOIS FERNANDES RIBEIRO BARBOSA

Uma banca de QUALIFICAÇÃO de MESTRADO foi cadastrada pelo programa.
DISCENTE: FRANÇOIS FERNANDES RIBEIRO BARBOSA
DATA: 25/08/2025
HORA: 08:30
LOCAL: Sala de Videoconferência do PPGCC
TÍTULO: Classificação Multiclasse no Microambiente Tumoral de Câncer Gástrico por Ensemble Hierárquico de Dois Níveis com Modelos de Deep Learning
PALAVRAS-CHAVES: Microambiente tumoral, Câncer gástrico, Aprendizado profundo, Redes neurais convolucionais, Ensemble hierárquico
PÁGINAS: 80
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Sistemas de Computação
ESPECIALIDADE: Arquitetura de Sistemas de Computação
RESUMO:

O câncer gástrico (CG) é uma das principais causas de morte por câncer no mundo, e  estudar o seu microambiente tumoral (TME) é essencial para a definição de condutas terapêuticas individualizada e eficaz. Diante disso, a classificação automatizada dos componentes do TME por meio de modelos de Deep Learning (DL) surge como uma alternativa promissora. Este trabalho propõe o desenvolvimento de um pipeline baseado em algoritmos de DL e técnicas de \textit{ensemble} para classificação automática, diferentes componentes do TME em lâminas coradas com \textit{Hematoxilina e Eosina} (H&E) de CG. Foram avaliadas oito arquiteturas pré-treinadas (EfficientNet, ViT, MobileNet, Xception, VGG16, ResNet, AlexNet),  com validação cruzada estratificada (k=8) e submetidos a quatro estratégias experimentais: redes originais, combinação de embeddings, classificação hierárquica e variação da camada densa final. Os experimentos foram conduzidos sobre o conjunto de dados HMU-GC-HE-30K, composto por 31.096 imagens classificadas em oito tipos de tecido. Técnicas de aumento de dados foram empregadas para diminuir o \textit{overfitting} e melhorar a generalização do modelo. Como principal contribuição, foi proposto um ensemble hierárquico de dois níveis: comitês locais, baseados em múltiplas execuções de uma mesma arquitetura; e, em seguida, um comitê global entre arquiteturas distintas usando as predições do comitê local. Os melhores resultados, obtidos nos conjuntos de teste, indicaram acurácia superior a 80%, AUC de 98% e F1-score superior a 80% em modelos comitê, demonstrando a superioridade do ensemble hierárquico frente a classificadores isolados. A proposta destaca-se por sua robustez frente à complexidade morfológica do TME, contribuindo para o avanço da patologia digital assistida por inteligência artificial.

MEMBROS DA BANCA:
Presidente - 1177449 - IVAN SARAIVA SILVA
Interno - 1350246 - KELSON ROMULO TEIXEIRA AIRES
Interno - 1579396 - RODRIGO DE MELO SOUZA VERAS
Interno - 1446435 - VINICIUS PONTE MACHADO