São Paulo — InkDesign News —
A utilização de “machine learning” tem avançado significativamente, permitindo que modelos prevejam tendências e comportamentos em várias áreas. Pesquisas recentes estão explorando a precisão e a aplicabilidade de técnicas de inteligência artificial (AI) em contextos diversos.
Contexto da pesquisa
Pesquisadores da Universidade de São Paulo têm investigado o impacto de algoritmos de aprendizado profundo (deep learning) na classificação automática de imagens médicas. Este campo de estudo busca aumentar a eficiência na detecção de doenças, como câncer e doenças degenerativas.
Método proposto
O modelo em questão utiliza Redes Neurais Convolucionais (CNN) para analisar exames de imagem. A equipe utilizou um dataset com 50.000 imagens rotuladas, sendo 70% para treinamento e 30% para validação. Entre as métricas de desempenho, destacam-se uma acurácia de 92% e uma taxa de falsos positivos de apenas 5%.
“Este modelo tem potencial para reduzir significativamente o tempo de diagnóstico, permitindo intervenções mais rápidas e precisas.”
(“This model has the potential to significantly reduce diagnosis time, allowing for quicker and more accurate interventions.”)— Dr. João Silva, Pesquisador, Universidade de São Paulo
Resultados e impacto
Os resultados demonstraram que o modelo não apenas supera métodos tradicionais, mas também apresenta estabilidade em diferentes condições de imagem. Os testes realizados com conjuntos de dados variados indicam que a precisão se mantém acima de 90% em cenários diversos, o que é uma melhoria significativa em relação aos padrões atuais.
“Esperamos que, em breve, esta tecnologia possa ser implementada em clínicas e hospitais, transformando a prática médica cotidiana.”
(“We hope that soon this technology can be implemented in clinics and hospitals, transforming everyday medical practice.”)— Dra. Maria Costa, Coordenadora de Pesquisa, Universidade de São Paulo
As aplicações potenciais incluem diagnósticos em tempo real em ambientes clínicos e o apoio à decisão médica através de sistemas assistidos por AI. Os próximos passos incluem a validação clínica e o desenvolvimento de interfaces de usuário mais intuitivas para facilitar a adoção.
Fonte: (TechXplore – Machine Learning & AI)
