Uma nova metodologia de aprendizado de máquina para detecção de displasia epitelial em lesões de leucoplasia oral

Detalhes bibliográficos
Ano de defesa: 2025
Autor(a) principal: Rocha, Karoline da
Orientador(a): Bermudez, José Carlos Moreira
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Link de acesso: https://repositorio.ufsc.br/handle/123456789/269445
Resumo: Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2025.
id UFSC_7d64269099e5f3a83c70b21c05f150fe
oai_identifier_str oai:repositorio.ufsc.br:123456789/269445
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str
spelling Universidade Federal de Santa CatarinaRocha, Karoline daBermudez, José Carlos MoreiraRivero, Elena Riet Correa2025-10-13T23:32:42Z2025-10-13T23:32:42Z2025394129https://repositorio.ufsc.br/handle/123456789/269445Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2025.O carcinoma epidermóide de cavidade oral (OSCC, do inglês oral squamous cell carcinoma) é o câncer bucal mais comum e apresenta alta taxa de mortalidade, o que torna seu diagnóstico precoce fundamental para um prognóstico favorável e um tratamento eficaz. A transformação maligna é um processo gradual, geralmente precedido por desordens orais potencialmente malignas (OPMDs, do inglês oral potentially malignant disorders), sendo a leucoplasia oral a lesão mais prevalente. Histologicamente, essas lesões podem apresentar displasia epitelial (DE), cuja detecção é um fator crítico na avaliação do risco de progressão para OSCC. O diagnóstico da DE é realizado por patologistas orais com base na análise das imagens histopatológicas, em associação as informações clínicas e de anamnese presentes na ficha de biópsia. No entanto, esse processo é subjetivo, depende da experiência e do estado emocional do profissional. Assim, métodos baseados em aprendizado de máquina (ML, do inglês Machine Learning) surgem como ferramentas importantes para auxiliar o diagnóstico. Este estudo propõe uma nova metodologia baseada em ML que integra dados clínicos e de anamnese com a análise de imagens histopatológicas para a detecção de DE em lesões de leucoplasia. A abordagem envolve três etapas de classificação. Inicialmente, são extraídos recortes do epitélio selecionados com base na expertise do patologista, associadas a um fator de risco derivado dos dados complementares do paciente, compondo o conjunto de entrada utilizado para treinar uma RNA MLP. Esse modelo alcançou acurácia média de 88,05% e AUC superior a 0,93 na classificação dos casos. Na terceira etapa, um classificador baseado em k-NN é usado para reclassificar os recortes com base na sua localização espacial. Essa etapa demonstrou potencial de melhoria do desempenho, especialmente em cenários com classificações confiáveis. Além disso, comparou-se o desempenho do processo de classificação proposto com o de uma CNN pré-treinada (ResNet-50V2). Não foram encontradas diferenças estatisticamente significativas entre as duas abordagens, conforme o teste de McNemar, sendo que a metodologia proposta apresentou um tempo de inferência cerca de 9,7 vezes menor. Assim, com possíveis refinamentos no critério de confiança na segunda etapa de classificação, a metodologia proposta se mostra uma solução robusta, eficiente e de baixo custo computacional para o apoio ao diagnóstico de DE em lesões de leucoplasia oral.Abstract: The oral squamous cell carcinoma (OSCC) is the most common oral cancer with a high mortality rate, making early diagnosis essential for favorable prognosis and effective treatment. Malignant transformation is a gradual process, usually preceded by oral potentially malignant disorders (OPMDs), among which oral leukoplakia is the most prevalent lesion. Histologically, these lesions may present epithelial dysplasia (ED), the detection of which is a critical factor in assessing the risk of progression to OSCC. The diagnosis of ED is performed by oral pathologists based on the analysis of histopathological images, in association with clinical and anamnesis data available in the biopsy report. However, this process is subjective, dependent on the experience and emotional state of the professional. In this context, methods based on machine learning (ML) have emerged as valuable tools to support diagnosis. This study proposes a novel methodology based on ML that integrates clinical and anamnesis data with the analysis of histopathological images for the detection of ED in leukoplakia lesions. The approach involves three classification stages. Initially, image patches from the epithelium are extracted based on the expertise of a pathologist and associated with a risk factor derived from the patient?s complementary data, forming the input used to train an MLP neural network. This model achieved an average accuracy of 88.05% and an AUC greater than 0.93 in classifying the cases. In the third stage, a classifier based on k-NN is employed to reclassify the patches based on their spatial location. This step demonstrated potential for performance improvement, especially in scenarios with reliable classifications. In addition, the performance of the proposed classification process was compared to that of a pretrained CNN (ResNet-50V2). No statistically significant differences were found between the two approaches according to McNemar?s test, with the proposed methodology showing an inference time approximately 9.7 times faster. Therefore, with possible refinements in the confidence criterion used in the second classification stage, the proposed methodology proves to be a robust, efficient, and computationally inexpensive solution to support the diagnosis of ED in oral leukoplakia lesions.126 p.| il., tabs.engEngenharia elétricaLeucoplasia oralDiagnósticoUma nova metodologia de aprendizado de máquina para detecção de displasia epitelial em lesões de leucoplasia oralinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPEEL2251-T.pdfPEEL2251-T.pdfapplication/pdf16349214https://repositorio.ufsc.br/bitstream/123456789/269445/-1/PEEL2251-T.pdf685d514380ebaa7d90d4d60cd3110b30MD5-1123456789/2694452025-10-13 20:32:42.507oai:repositorio.ufsc.br:123456789/269445Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestsandra.sobrera@ufsc.bropendoar:23732025-10-13T23:32:42Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Uma nova metodologia de aprendizado de máquina para detecção de displasia epitelial em lesões de leucoplasia oral
title Uma nova metodologia de aprendizado de máquina para detecção de displasia epitelial em lesões de leucoplasia oral
spellingShingle Uma nova metodologia de aprendizado de máquina para detecção de displasia epitelial em lesões de leucoplasia oral
Rocha, Karoline da
Engenharia elétrica
Leucoplasia oral
Diagnóstico
title_short Uma nova metodologia de aprendizado de máquina para detecção de displasia epitelial em lesões de leucoplasia oral
title_full Uma nova metodologia de aprendizado de máquina para detecção de displasia epitelial em lesões de leucoplasia oral
title_fullStr Uma nova metodologia de aprendizado de máquina para detecção de displasia epitelial em lesões de leucoplasia oral
title_full_unstemmed Uma nova metodologia de aprendizado de máquina para detecção de displasia epitelial em lesões de leucoplasia oral
title_sort Uma nova metodologia de aprendizado de máquina para detecção de displasia epitelial em lesões de leucoplasia oral
author Rocha, Karoline da
author_facet Rocha, Karoline da
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Rocha, Karoline da
dc.contributor.advisor1.fl_str_mv Bermudez, José Carlos Moreira
dc.contributor.advisor-co1.fl_str_mv Rivero, Elena Riet Correa
contributor_str_mv Bermudez, José Carlos Moreira
Rivero, Elena Riet Correa
dc.subject.classification.none.fl_str_mv Engenharia elétrica
Leucoplasia oral
Diagnóstico
topic Engenharia elétrica
Leucoplasia oral
Diagnóstico
description Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Elétrica, Florianópolis, 2025.
publishDate 2025
dc.date.accessioned.fl_str_mv 2025-10-13T23:32:42Z
dc.date.available.fl_str_mv 2025-10-13T23:32:42Z
dc.date.issued.fl_str_mv 2025
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/269445
dc.identifier.other.none.fl_str_mv 394129
identifier_str_mv 394129
url https://repositorio.ufsc.br/handle/123456789/269445
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 126 p.| il., tabs.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/269445/-1/PEEL2251-T.pdf
bitstream.checksum.fl_str_mv 685d514380ebaa7d90d4d60cd3110b30
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv sandra.sobrera@ufsc.br
_version_ 1851758994913230848

Registros relacionados