DETERMINAÇÃO DE GÊNERO DE PACIENTES ATRAVÉS DE RADIOGRAFIA DO TÓRAX

INTRODUÇÃO: As radiografias de tórax são amplamente utilizadas na prática médica para diagnosticar diversas condições de saúde, especialmente as relacionadas ao sistema respiratório, e, com os avanços da inteligência artificial, as redes neurais convolucionais (CNN) têm se mostrado eficazes em aumentar a acurácia dos diagnósticos, reduzindo erros humanos e acelerando a detecção de padrões complexos nas imagens. Essas radiografias também vêm sendo utilizadas para treinar modelos de aprendizado de máquina com grandes conjuntos de dados rotulados, possibilitando que os algoritmos aprendam a reconhecer padrões e realizem tarefas como a detecção de anomalias. OBJETIVOS: Nesse contexto, o presente projeto tem como objetivo desenvolver e avaliar modelos de aprendizado de máquina para determinar o gênero dos pacientes a partir de imagens de radiografias de tórax, enfrentando um desafio proposto pela Sociedade Paulista de Radiologia (SPR) em uma competição internacional na plataforma Kaggle em parceria com a Amazon Web Services (AWS). A ideia consiste em avaliar modelos que identifiquem com precisão o gênero a partir das imagens. Entre os objetivos específicos estão a revisão do estado da arte sobre técnicas aplicadas à análise de radiografias, o treinamento de modelos com ajustes nos parâmetros para maximizar a precisão, e a avaliação de desempenho desses modelos. MATERIAIS E MÉTODO: A metodologia do projeto foi estruturada em quatro etapas: preparo da base de imagens com download e estudo dos dados fornecidos pela SPR; levantamento bibliográfico por meio de pesquisa e consulta com especialistas; geração de modelos treinados para interpretar as imagens e prever o gênero dos pacientes; e avaliação dos modelos com base em testes, comparação entre eles, e análise dos resultados obtidos. RESULTADOS: Os modelos DenseNet121 e MobileNet obtiveram as melhores acurácias no conjunto de teste, com 93,15% e 92,80%, respectivamente, enquanto o modelo próprio desenvolvido atingiu 91,37%, destacando-se por sua menor complexidade computacional. CONSIDERAÇÕES FINAIS: Conclui-se que é possível realizar a classificação de gênero a partir de radiografias de tórax utilizando redes neurais convolucionais, com alto desempenho e boa eficiência, contribuindo para o desenvolvimento de ferramentas inteligentes no apoio ao diagnóstico médico.

PALAVRAS-CHAVE: Redes neurais convolucionais; Processamento de imagens médicas; Aprendizado de máquina; .