Discente: Josafá Moura Caldas

Orientadora: Dra. Nelzair Araújo Vianna

Título da Dissertação: “AVALIAÇÃO DO USO DE INTELIGÊNCIA ARTIFICIAL PARA DIAGNÓSTICO ASSISTIDO DE CÂNCER DE PULMÃO: UM ESTUDO BASEADO EM REDES NEURAIS CONVOLUCIONAIS”.

Programa: Pós-Graduação em Pesquisa Clínica e Translacional

Data: 22/10/2025

Horário: 14H

Local: Sala virtual Zoom Educacional 04

ID da reunião: 821 6023 9333

Senha: defesa

ACESSE O LINK

Titulares:

Dr. Luciano Reboṳas de Oliveira РUFBA

Dra. Lila Teixeira de Araujo – SENAI

Dra. Nelzair Araújo Vianna â€“ IGM/FIOCRUZ (Orientadora e Presidente da Banca)

Suplente: 

Dra. Maria Elizângela Ramos Junqueira – UNEB

CALDAS, Josafá Moura. Avaliação do uso de inteligência artificial para
diagnóstico assistido de câncer de pulmão: um estudo baseado em redes
neurais convolucionais. 2025. Dissertação (Mestrado Profissional em Pesquisa
Clínica e Translacional) – Instituto Gonçalo Moniz, Fundação Oswaldo Cruz,
Salvador, 2025.

RESUMO

O câncer de pulmão é uma das principais causas de mortalidade por neoplasia em
todo o mundo, tornando o diagnóstico precoce um fator crítico para melhorar os
resultados dos pacientes (MS,2024). Este estudo implementa e avalia criticamente
uma pipeline de diagnóstico de ponta a ponta baseada em deep learning, projetado
para auxiliar na identificação de nódulos pulmonares em imagens de Tomografia
Computadorizada (TC). O pipeline proposto consiste em dois estágios sequenciais:
um modelo de segmentação semântica, utilizando o framework nnU-Net para
identificar e delinear regiões de interesse (ROIs) candidatas a nódulos e por
segundo um modelo de classificação baseado em Redes Neurais Convolucionais
(CNN) 3D para classificar essas ROIs como nódulos verdadeiros ou falsos positivos.
O sistema foi treinado e validado utilizando um conjunto de dados combinado dos
repositórios públicos LIDC-IDRI e Duke University. O estágio de segmentação
alcançou um desempenho significativo, com um Coeficiente de Similaridade de Dice
(Dice) médio de 0.846 no conjunto de teste, que foi possível a partir da aplicação de
técnicas de redução da massa de dados de 3d para 2.5d estendido. O
classificador isolado demonstrou alta capacidade discriminativa, com uma área sob
a curva roc (AUC) de 0.933. No entanto, a avaliação da pipeline integrada revelou
uma sensibilidade de 0.89 e uma especificidade de 0.97 A análise aprofundada dos
resultados identifica a qualidade da segmentação como o principal gargalo de
desempenho, demonstrando que a sensibilidade do sistema de ponta a ponta é
intrinsecamente limitada pela capacidade do estágio inicial de geração de
candidatos bem como da existência um volume suficiente de amostras de teste para
treino do modelo de classificação binária. Este trabalho conclui que, embora os
componentes individuais da pipeline demonstrem alta eficácia, a viabilidade clínica de sistemas de IA multiestágio depende criticamente do desempenho de seus estágios iniciais, que por sua vez estão associados a acesso a um grande volume de dados anotados e a disponibilidade de hardware especializado robusto para se traduzir em ferramentas de diagnóstico clinicamente eficientes e seguro.
Palavras-chave: Deep learning, Redes Neurais Convolucionais, CAD, Visão computacional, Lung cancer, CNN, Machine learning models, Detecção e segmentação de nódulos pulmonares.

[print-me]