MULTI-OBJECTIVE COMPUTACIONAL INTELLIGENCE SOLUTIONS FOR RARE DESEASE DIAGNOSIS

Introdução: O presente artigo explora a natureza multiobjetiva da função de custo utilizada no modelo de inteligência artificial YOLO V8n, cuja arquitetura é baseada em deep learning, ou seja, no uso de redes neurais profundas., amplamente empregado em tarefas de visão computacional para detecção e classificação de objetos, sendo usado nas mais variadas áreas de engenharia e pesquisa, nesta pesquisa voltando-se à detecção de células sanguíneas. O fato de o YOLO ser utilizado na área de medicina, ressalta fortemente a importância de obter a eficiência e performance máxima deste modelo, para aumentar a confiabilidade e velocidade de inferência. Objetivos: Neste contexto, estuda-se a função de custo do YOLO a fim de investigar a presença de um problema multiobjetivo relacionado aos seus pesos, isto é, constantes que influenciam diretamente a forma como o modelo aprende, ao multiplicarem diferentes componentes da função de custo. Materiais e método: A pesquisa propõe uma análise detalhada das interações entre as métricas de desempenho do modelo, buscando verificar se a função de custo, composta por múltiplos componentes ponderados, pode ser enquadrada como um problema multiobjetivo. Para isso, foram realizados experimentos utilizando 125 configurações de pesos diferentes, em que foram definidos 5 valores fixos para cada um dos 3 pesos. Com isso, foram analisadas 5 métricas de estudo diferentes: precision, recall, mAP@50, mAP@50–95 e fitness. Resultados: Foram utilizadas técnicas de otimização multiobjetiva, como frente de pareto, gráfico de coordenadas paralelas e correlação de Spearman para explorar os possíveis efeitos que diferentes combinações de pesos têm, efetivamente, nos resultados do YOLO. Considerações finais: Os resultados obtidos contribuem para uma melhor compreensão da estrutura da função de custo do YOLO, sugerindo caminhos para futuras investigações em otimização multiobjetiva aplicada a modelos de aprendizado profundo.

Palavras-chave: YOLO; Visão Computacional; Otimização Multiobjetiva; Aprendizado Profundo.