Banca de DEFESA: RAFAEL MONTEIRO LARANJEIRA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : RAFAEL MONTEIRO LARANJEIRA
DATA : 31/01/2025
HORA: 08:00
LOCAL: Remoto
TÍTULO:

Um Framework Abrangente para Classificação da Fibrilação Atrial: das Imagens de ECG à Análise Multimodal

 

 

 

PALAVRAS-CHAVES:

Eletrocardiograma, Fibrilação Atrial, Classificação, Rede Neural Multimodal

PÁGINAS: 36
RESUMO:

Esta pesquisa apresenta um framework abrangente para a detecção automatizada de fibrilação atrial (FA) que preenche a lacuna entre a prática clínica e as técnicas avançadas de aprendizado de máquina. Introduzimos um fluxo de processamento que transforma imagens padrão de exames de ECG de 12 derivações em múltiplas representações complementares, permitindo uma investigação sistemática de diferentes abordagens para a detecção de FA. O framework processa imagens brutas de ECG para extrair dados da derivação II, que são então transformados em três modalidades distintas: imagens processadas, séries temporais e espectrogramas. Cada modalidade é então analisada usando arquiteturas de redes neurais especializadas que são otimizadas para suas características específicas.

A investigação envolve dois cenários experimentais: uma comparação balanceada entre FA e ritmos normais e um cenário clinicamente realista que mantém as distribuições naturais das classes. No cenário balanceado, a abordagem multimodal alcançou um F1-score de $0,9928 \pm 0,0002$, enquanto as modalidades individuais alcançaram consistentemente valores acima de $0,97$. No cenário clinicamente realista, onde os casos de FA representaram $8,45\%$ dos dados, a robustez do framework foi demonstrada com a abordagem multimodal alcançando um F1 score de $0,8859$. A validação externa usando o conjunto de dados Zheng-DB confirmou a generalização do framework, com a abordagem multimodal mantendo um forte desempenho ($F1 = 0,9813 \pm 0,0036$) em condições balanceadas.

Um aspecto interessante da nossa abordagem é o mecanismo de fusão ponderada que combina recursos de cada modalidade, usando pesos aprendidos para determinar como as diferentes representações contribuem para a análise final. Nossos experimentos mostram que esses pesos se adaptam significativamente à complexidade da tarefa, mantendo contribuições equilibradas entre as modalidades (imagem: $0,3382 \pm 0,0025$, espectrograma: $0,3450 \pm 0,0033$, série temporal: $0,3167 \pm 0,0045$) para discriminar a FA de ritmos normais, ao mesmo tempo em que mostra uma forte especialização (série temporal: $0,5025 \pm 0,1252$) para discriminar a FA de várias arritmias. Esse comportamento adaptativo demonstra a capacidade do mecanismo de otimizar o uso de recursos com base em desafios de classificação específicos, contribuindo para um desempenho robusto em diferentes cenários clínicos.

Esta pesquisa contribui para o campo da análise automatizada de ECG, fornecendo evidências empíricas para a eficácia de diferentes representações de dados na detecção de FA. A capacidade do framework de processar imagens de ECG padrão o torna compatível com os ambientes onde apenas o formato de imagem está disponível, o que pode facilitar sua adoção em ambientes com menos recursos e médicos disponíveis. Embora uma validação adicional em ambientes clínicos seja valiosa, nossos resultados sugerem que essa abordagem pode servir como uma ferramenta útil para apoiar os profissionais de saúde na interpretação de ECGs, particularmente em cenários onde múltiplas modalidades de análise podem complementar os métodos diagnósticos tradicionais.

 

MEMBROS DA BANCA:
Presidente - 2021852 - THIAGO DAMASCENO CORDEIRO
Interno(a) - 1388993 - BRUNO ALMEIDA PIMENTEL
Externo(a) à Instituição - ESTELA RIBEIRO
Externo(a) à Instituição - MARCO ANTONIO GUTIERREZ - USP