Navegando por Assunto "Aprendizado profundo"
Agora exibindo 1 - 2 de 2
Resultados por página
Opções de Ordenação
Trabalho de Curso - Graduação - Monografia Acesso aberto (Open Access) Analyzing the impact of dimensionality reduction over human intestinal absorption prediction through machine learning(2022-02) CARDOSO, Eduardo Gil Serrão; RODRIGUES, Caio Marcos Flexa; http://lattes.cnpq.br/7685787461835870; SALES JÚNIOR, Claudomiro de Souza de; http://lattes.cnpq.br/4742268936279649Uma propriedade desejável no desenvolvimento de drogas é entrega oral. A triagem virtual de compostos químicos de acordo com sua biodisponibilidade oral com inteligência computacional pode acelerar a predição de sua absorção intestinal humana (HIA). A despeito da existência de vários estudos almejando predizer a permeabilidade intestinal de compostos químicos, nenhum tentou avaliar o impacto do uso de propriedades fisicoquímicas e estruturais relacionadas à biodisponibilidade oral com técnicas de redução de dimensionalidade (DR) e aprendizado de máquina (ML). Este estudo de caso apresenta uma análise sobre o impacto da aplicação de técnicas de redução de dimensionalidade tais como Análise de Componentes Principais (PCA), PCA baseado em Kernel (KPCA), Ivis, Aproximação e Projeção de Manifold Uniforme (UMAP) e Decomposição de Valor Singular Truncado(TSVD), conjuntamente com preditores de ML tais como Redes Neurais Artificiais (ANN), K-Vizinhos mais Próximos (KNN), Máquina de Vetores de Suporte (SVM) e Floresta Aleatória (RF) na predição de HIA de pequenas moléculas, dando foco ao comportamento dos modelos conforme a dimensionalidade varia. Os resultados demonstram que, apesar de reduzir a dimensionalidade em mais de 90%, os modelos de menor dimensionalidade para o KNN, RF e SVM ainda apresentaram resultados competitivos, demonstrando a viabilidade e o potencial de técnicas de DR enquanto etapa de pré-processamento.Trabalho de Curso - Graduação - Artigo Acesso aberto (Open Access) Desenvolvimento de um protótipo para triagem automatizada de glaucoma por deep learning integrado ao WhatsApp(2026-02-27) WANZELER, Gabriele Rodrigues; TEIXEIRA, Otávio Noura; https://lattes.cnpq.br/5784356232477760Este trabalho avalia um modelo ResNet50 com transfer learning para detecção automatizada de glaucoma em imagens de fundoscopia, integrado a um protótipo via WhatsApp para profissionais de saúde. O modelo foi treinado nos datasets ACRIMA e RIM-ONE. No ACRIMA, alcançou sensibilidade de 98,28%, F1-score de 0,982 e AUC de 0,992; no RIM-ONE, sensibilidade de 83,33%, F1-score de 0,869 e AUC de 0,949, reflexo do desbalanceamento de classes. O protótipo obteve taxa de acerto de 83,33% e 80%, com confiança média de 94,80% e 87,31%, respectivamente. Os resultados evidenciam que o balanceamento dos dados influencia diretamente o desempenho, reforçando o potencial do aprendizado profundo como ferramenta de apoio à triagem de glaucoma.