Banca de DEFESA: MATHEUS DE AMORIM GUIMARÃES

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : MATHEUS DE AMORIM GUIMARÃES
DATA : 09/06/2026
HORA: 14:00
LOCAL: Online
TÍTULO:

Análise Comparativa de Modelos de Aprendizado Federado para o Diagnóstico da Doença Renal Crônica

PALAVRAS-CHAVES:

Aprendizado Federado; Aprendizado de Máquina; Doença Renal Crônica; Tomada de Decisão; Diagnóstico.

PÁGINAS: 71
RESUMO:

A Doença Renal Crônica (DRC) é uma condição comum, em crescimento e de grande impacto clínico. Assim, a detecção precoce é essencial para reduzir complicações e custos para a saúde pública. Pesquisadores têm explorado cada vez mais técnicas de Aprendizagem de Máquina (AM) para apoiar a tomada de decisão clínica. Devido à necessidade de segurança do paciente no compartilhamento de dados sensíveis, a centralização de dados clínicos suscita preocupações quanto à privacidade e à heterogeneidade dos dados entre as instituições de saúde. Este fato pode justificar, de maneira geral, o não compartilhamento de informações entre instituições, o que, por sua vez, pode impactar o estudo do uso de AM para o diagnóstico dessa condição em amostras maiores de uma população. Neste trabalho, avalia-se o desempenho de modelos de Aprendizado Federado (AF) para o diagnóstico de DRC com base em um conjunto de dados bem conhecido, mas ainda pouco explorado nesse contexto, da Universidade da Califórnia em Irvine. Comparou-se o AF com uma abordagem tradicional centralizada de AM usando modelos paramétricos e baseados em árvores, como regressão logística e Random Forest (RF), considerando cenários com dados independentemente e identicamente distribuídos (Independent and Identically Distributed - IID) e não-IID. O desempenho dos modelos implementados foi avaliado por meio da área sob a curva, F1-score, recall e acurácia. Após a análise das métricas, pôde-se perceber que a estratégia FedAvg, inicialmente concebida para a agregação de modelos distribuídos, convergiu de maneira estável quando aplicada à regressão logística, enquanto modelos baseados em árvores (FEdRF e FedTree com gradient boosting decision trees) apresentaram diminuição de desempenho. Os resultados indicam que os modelos federados podem alcançar desempenho comparável ao de modelos centralizados no diagnóstico de DRC, mantendo um comportamento estável mesmo em cenários não-IID.

MEMBROS DA BANCA:
Presidente - ***.444.294-** - ALVARO ALVARES DE CARVALHO CESAR SOBRINHO - Outros(as)
Interno(a) - 1645130 - LEANDRO DIAS DA SILVA
Interno(a) - ***.088.044-** - RODRIGO GUSMÃO DE CARVALHO ROCHA - UFPE
Externo(a) à Instituição - JEAN CARLOS TEIXEIRA DE ARAUJO