Inteligência Artificial e Aprendizado de Máquina: estado atual e tendências

Ludermir, Teresa B.

doi:10.1590/s0103-4014.2021.35101.007

Cited by 16 publications

(6 citation statements)

References 11 publications

(8 reference statements)

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…A capacidade das IAs de processar enormes quantidades de dados aliado à capacidade dos algoritmos de AM de aprender a partir de exemplos, ou seja, dados, tornou possível a criação de programas que realizam tarefas complexas como jogar xadrez ou dirigir um carro. Essas habilidades aprendidas seriam quase impossíveis de serem programadas, uma vez que cada decisão que a máquina deve fazer depende de uma grande quantidade de variáveis (LUDERMIR, 2021).…”

Section: Inteligência Artificial E Aprendizado De Máquinasunclassified

Aprendizado de Máquinas aplicado ao diagnóstico por imagem: uma revisão integrativa

Jabour¹,

Figueiredo²,

Júnior

2022

CONJ

View full text Add to dashboard Cite

As tecnologias de Inteligência Artificial tiveram um avanço proeminente nos últimos anos que, por consequência, acompanha sua crescente aplicação na assistência em saúde. O destaque, nesse contexto, é o uso de Aprendizado de Máquinas no diagnóstico por imagem, que, combina a capacidade de treinamento do desempenho do algoritmo, com o uso de grandes bases de dados de imagens médicas. Esse artigo tem o objetivo de apresentar conceitos sobre o tema, com explicações acessíveis sobre os fundamentos do aprendizado de máquinas, e de como é sua usabilidade em exames de imagem. Ainda, expor o estado da arte atual e levantar discussões relevantes sobre obstáculos, vantagens e desvantagens desta ferramenta para a prática médica, assistência e sistemas de saúde.

show abstract

Section: Inteligência Artificial E Aprendizado De Máquinasunclassified

Aprendizado de Máquinas aplicado ao diagnóstico por imagem: uma revisão integrativa

Jabour¹,

Figueiredo²,

Júnior

2022

CONJ

View full text Add to dashboard Cite

show abstract

“…However, ML systems, commonly complex, need to be explainable so that the solutions suggested by the models can be understood. [ 12 ].…”

Section: Introductionmentioning

confidence: 99%

“…The use of ML to predict deaths from specific diseases has been of increasing interest in the scientific literature [ 12 ], however, only one study was located using ML to predict death from CD. The study investigated whether heart variability could predict death using a sample of 150 CD patients.…”

Section: Introductionmentioning

confidence: 99%

Two-year death prediction models among patients with Chagas Disease using machine learning-based methods

et al. 2022

View full text Add to dashboard Cite

Chagas disease (CD) is recognized by the World Health Organization as one of the thirteen most neglected tropical diseases. More than 80% of people affected by CD will not have access to diagnosis and continued treatment, which partly supports the high morbidity and mortality rate. Machine Learning (ML) can identify patterns in data that can be used to increase our understanding of a specific problem or make predictions about the future. Thus, the aim of this study was to evaluate different models of ML to predict death in two years of patients with CD. ML models were developed using different techniques and configurations. The techniques used were: Random Forests, Adaptive Boosting, Decision Tree, Support Vector Machine, and Artificial Neural Networks. The adopted settings considered only interview variables, only complementary exam variables, and finally, both mixed. Data from a cohort study with CD patients called SaMi-Trop were analyzed. The predictor variables came from the baseline; and the outcome, which was death, came from the first follow-up. All models were evaluated in terms of Sensitivity, Specificity and G-mean. Among the 1694 individuals with CD considered, 134 (7.9%) died within two years of follow-up. Using only the predictor variables from the interview, the different techniques achieved a maximum G-mean of 0.64 in predicting death. Using only the variables from complementary exams, the G-mean was up to 0.77. In this configuration, the protagonism of NT-proBNP was evident, where it was possible to observe that an ML model using only this single variable reached G-mean of 0.76. The configuration that mixed interview variables and complementary exams achieved G-mean of 0.75. ML can be used as a useful tool with the potential to contribute to the management of patients with CD, by identifying patients with the highest probability of death. Trial Registration: This trial is registered with ClinicalTrials.gov, Trial ID: NCT02646943.

show abstract

“…Este processo iterativo exige grande processamento computacional dependendo da complexidade do modelo, quantidade de variáveis, entre outros fatores. Dessa forma, o que trouxe maior capacidade computacional para obter melhores ajustes de maneira mais rápida e eficaz foi a Graphic Processing Unit (GPU), auxiliando na resolução de problemas cada vez mais complexos (Ludermir, 2021).…”

Section: Introductionunclassified

Estudo da cinética de floculação de águas de frigorífico de peixes utilizando um modelo fenomenológico e técnicas de aprendizado de máquina

Castamann

Veit

Colombo

et al. 2022

RSD

View full text Add to dashboard Cite

O processo de coagulação/floculação é uma técnica das mais comumente utilizadas para promover a separação sólido-líquido do efluente, com base no princípio da desestabilização das partículas coloidais e em suspensão, seguido da agregação e estruturação destas partículas em flocos. Nesse processo, a cinética de floculação (velocidade e tempo) tem papel fundamental no desempenho do tratamento, pois interfere na ruptura e formação dos flocos. Sendo assim, para o tratamento de águas de frigorífico de peixes, dois coagulantes (natural: Tanfloc SHÒ; inorgânico: Cloreto Férrico) foram avaliados em relação à cinética de floculação e realizada a modelagem desses dados experimentais, empregando o modelo fenomenológico e de redes neurais artificiais (RNAs). Para tanto, diferentes gradientes de velocidade e tempos de mistura lenta foram testados para cada coagulante em ensaios de jar test, e determinados os coeficientes de agregação (KA) e de ruptura (KB) dos flocos formados. As condições de mistura lenta (gradiente de velocidade e tempo) mais efetivas obtidas para a etapa de floculação do efluente foram 16 s-1 e 20 min para o coagulante Tanfloc SHÒ e 24 s-1 e 30 min para o coagulante Cloreto Férrico. Os dados cinéticos de floculação foram submetidos a uma programação em RNAs por meio do Software Python e, também a procedimentos de iteração numérica computacional utilizando a ferramenta Solver do programa Microsoft ExcelÒ. Ambos os modelos foram capazes de representar adequadamente os dados cinéticos experimentais de floculação, destacando-se as RNAs como uma ferramenta de modelagem alternativa aos modelos matemáticos convencionalmente utilizados.

show abstract

Inteligência Artificial e Aprendizado de Máquina: estado atual e tendências

Cited by 16 publications

References 11 publications

Aprendizado de Máquinas aplicado ao diagnóstico por imagem: uma revisão integrativa

Aprendizado de Máquinas aplicado ao diagnóstico por imagem: uma revisão integrativa

Two-year death prediction models among patients with Chagas Disease using machine learning-based methods

Estudo da cinética de floculação de águas de frigorífico de peixes utilizando um modelo fenomenológico e técnicas de aprendizado de máquina

Contact Info

Product

Resources

About