APRENDIZAGEM DE MÁQUINA PARA CORREÇÃO DO ESPECTRO DE EMISSÃO DE NANOPARTÍCULAS USADAS
PARA NANOTERMOMETRIA EM APLICAÇÕES BIOLÓGICAS
Nanotermometria; Espectroscopia; Nanopartículas; Aprendizado de Máquina; 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 do 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. Fatores como espessura do tecido, tipo de tecido entre outros geram distorções espectrais e a medição incorreta de temperatura na região de interesse. Nesse contexto o uso do processo de Descoberta de Conhecimento em Base de Dados (KDD) por meio da Aprendizagem de Máquina (AM) para realizar a calibração das curvas é uma ferramenta bastante útil, uma vez que as técnicas de Aprendizagem têm mostrado ótimos resultados em problemas de Regressão. Este trabalho busca investigar o uso do Adaboost, Árvore de Decisão (DT), Floresta Aleatória (RF), Rede Neural Multilayer Perceptron (MLP) e Máquina de Vetor de Suporte (SVR) para correção espectral nos seguintes tecidos: água, cérebro, cerebelo, fígado e pele. Além disso, o uso das métricas de como Erro Médio Absoluto (MAE), Erro Quadrático Médio (MSE), Erro Percentual Médio (MAPE), R² Score e do Sigma aliadas ao Teste de Wilcoxon serão úteis para uma análise rigorosa do quão eficaz são os métodos de Aprendizagem nesse tipo de problema.