Aprendizado de máquina aplicado em dados de biossensores para diagnóstico de câncer e COVID-19 (2022)
- Authors:
- Autor USP: BRAZ, DANIEL CESAR - IFSC
- Unidade: IFSC
- Sigla do Departamento: FCM
- DOI: 10.11606/T.76.2022.tde-16112022-161304
- Subjects: APRENDIZADO COMPUTACIONAL; SENSORES BIOMÉDICOS; NEOPLASIAS; COVID-19
- Keywords: Aprendizado de máquina; Biosensors; Biossensores; Cancer; Câncer; Machine learning
- Agências de fomento:
- Language: Português
- Abstract: Esta tese explora o conceito de sistemas computacionais semi-automatizados de diagnóstico baseados em Aprendizado de Máquina (AM), em que diferentes tipos de dados de biossensores e de outras fontes são empregados. A partir de um pipeline base de AM, foram desenvolvidas quatro aplicações e diversos métodos foram implementados para cada uma das etapas/tarefas do pipeline. Como foram selecionados problemas desafiadores, um alto desempenho na acurácia do diagnóstico em geral só foi alcançado com algoritmos de AM supervisionado. Três aplicações foram em diagnóstico de câncer, sendo a primeira a partir de imagens de microscopia eletrônica de genossensores que detectam o biomarcador de PCA3 para câncer de próstata. Essas imagens foram usadas como entrada para algoritmos de AM supervisionado. Com os atributos de textura Local Complex Features and Neural Network (LCFNN) e o algoritmo Linear Discriminant Analysis (LDA) obteve-se uma taxa de acerto de 99,9% para classificação binária (sim/não para PCA3) e 88,3% para a classificação multiclasse em que se determina a concentração do biomarcador de PCA3. As outras duas aplicações envolveram a detecção de biomarcadores de câncer a partir de medidas elétrica/eletroquímica. A concentração da proteína p53, importante marcador de diferentes tipos de câncer, em amostras de urina e saliva sintéticas, foi determinada a partir de medidas eletroquímicas com imunossensores, em que voltamogramas foram analisados com os algoritmos Logistic Regression(LR), LDA, Support Vector Machine-kernel linear (SVM- L), Gaussian Naive Bayes (GNB), K-Nearest Neighbors (KNN) e Decision Tree (DT). O imunossensor otimizado exibiu acurácia de 100% com todos os algoritmos na maioria dos conjuntos de atributos construídos a partir dos dados brutos. No diagnóstico de câncer de boca, a partir de medidas de impedância elétrica com uma língua eletrônica em amostras de saliva de pacientes e voluntários, a maior acurácia de 86.7% foi obtida com o algoritmo SVM-kernel radial. Nesta aplicação, a acurácia da classificação multiclasse aumentou quando foram adicionadas informações clínicas dos pacientes, indicando a importância de combinação de diferentes tipos de dados nos sistemas computacionais. A quarta aplicação foi o diagnóstico de COVID-19 com a detecção da proteína S do SARS-CoV-2 a partir de mapas hiperespectrais de Espectroscopia Raman com Amplificação de Superfície (SERS) obtidos de imunossensores. Usando algoritmo LDA obteve-se uma acurácia de 100% na distinção dos mapas para resultado positivo e negativo para SARS-CoV-2. Os resultados dessas quatro aplicações demonstram a possibilidade de se desenvolverem sistemas automatizados de diagnóstico, pois as várias etapas/tarefas dos pipelines de AM podem ser implementadas sem necessidade de intervenção humana, mesmo quando se combinam imagens, dados clínicos e de testes clínicos
- Imprenta:
- Publisher place: São Carlos
- Date published: 2022
- Data da defesa: 14.09.2022
- Este periódico é de acesso aberto
- Este artigo é de acesso aberto
- URL de acesso aberto
- Cor do Acesso Aberto: gold
- Licença: cc-by-nc-sa
-
ABNT
BRAZ, Daniel Cesar. Aprendizado de máquina aplicado em dados de biossensores para diagnóstico de câncer e COVID-19. 2022. Tese (Doutorado) – Universidade de São Paulo, São Carlos, 2022. Disponível em: https://www.teses.usp.br/teses/disponiveis/76/76135/tde-16112022-161304/. Acesso em: 03 maio 2025. -
APA
Braz, D. C. (2022). Aprendizado de máquina aplicado em dados de biossensores para diagnóstico de câncer e COVID-19 (Tese (Doutorado). Universidade de São Paulo, São Carlos. Recuperado de https://www.teses.usp.br/teses/disponiveis/76/76135/tde-16112022-161304/ -
NLM
Braz DC. Aprendizado de máquina aplicado em dados de biossensores para diagnóstico de câncer e COVID-19 [Internet]. 2022 ;[citado 2025 maio 03 ] Available from: https://www.teses.usp.br/teses/disponiveis/76/76135/tde-16112022-161304/ -
Vancouver
Braz DC. Aprendizado de máquina aplicado em dados de biossensores para diagnóstico de câncer e COVID-19 [Internet]. 2022 ;[citado 2025 maio 03 ] Available from: https://www.teses.usp.br/teses/disponiveis/76/76135/tde-16112022-161304/ - Instrumentação para RMN em campo externo nulo com aplicação ao estudo de ligas FeV no estado de ordenação magnética
- Smart sensing: detecting SARS-CoV-2 with supervised machine learning on a simplified SERS platform
- Análise exploratória de imagens do biossensor aplicado ao diagnóstico de câncer de próstata
- Direct detection of SARS-CoV-2 antigen based on surface-enhanced Raman scattering (SERS) using machine learning
- Explainable machine learning to unveil detection mechanisms with au nanoisland-based surface-enhanced raman scattering for SARS-CoV-2 antigen detection
- Machine learning applied to cancer diagnosis through the analysis of impedance spectra obtained with electronic tongue
- Preprocessing and exploratory analysis of Surface-Enhanced Raman Scattering (SERS) data for diagnosis with immunoassays
- Machine learning to treat data for the design and improvement of electrochemical sensors: application for a cancer biomarker
- Development of electronic tongues for cancer diagnosis
- Using machine learning and an electronic tongue for discriminating saliva samples from oral cavity cancer patients and healthy individuals
Informações sobre o DOI: 10.11606/T.76.2022.tde-16112022-161304 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
