APRENDIZAGEM DE MÁQUINA PARA CORREÇÃO DO ESPECTRO DE EMISSÃO DE NANOPARTÍCULAS USADAS
PARA NANOTERMOMETRIA EM APLICAÇÕES BIOLÓGICAS
Aprendizagem de Máquina; Espectroscopia; Nanopartículas; Nanotermometria;
Regressão; Tecidos.
No campo da nanotermometria o uso das emissões de nanopartículas (NPs) têm se mostrado uma importante ferramenta em diversas áreas, em particular, para o diagnóstico precoce de câncer e de inflamações localizadas. Isso porque as regiões com essas características apresentam temperaturas distintas de um tecido normal. Embora o uso das emissões de NPs para atuarem como nanotermômetros seja uma área bastante promissora, há diversos obstáculos a serem superados. Este trabalhou usou Aprendizagem de Máquina para correção espectral em dados de tecidos usando o coeficiente de absorção $\mu$a (massa cinzenta do cérebro, mama pré-menopausa, fígado, pele, pele variando a concentração de água e água), e o coeficiente de espalhamnento ($\mu$s) na massa cinzenta do cérebro, mama pré-menopausa, fígado e pele. Os algoritmos que tiveram melhores resultados na correção espectral foram a Árvore de Decisão, Floresta Aleatória e o k Vizinho Mais Próximo. Eles obtiveram, em média, valores de MAE, MSE, MAPE, R² e $\sigma$ dentre os melhores possíveis. A Árvore de Decisão foi o que mais se destacou em razão de seu baixo custo de tempo, bem como na sustentação da hipótese, usando o teste de Wilcoxon, de que sua capacidade preditiva para este cenário alcançou excelentes resultados. Cada uma das correções espectrais também foi usada para extração da temperatura. Os modelos que mais se destacaram foram a Árvore de Decisão, a Floresta Aleatória e o k Vizinho Mais Próximo. O gráfico de violino de temperatura de cada um desses preditores mostrou uma alta exatidão e precisão, acertando a temperatura com uma casa decimal.