20 mai 2024
13:00 Defesa de Doutorado auditório do prédio IC3
Tema
Robust Skin Lesion Analysis: Evaluation and Debiasing across Distribution Shifts
Aluno
Alceu Emanuel Bissoto
Orientador / Docente
Sandra Eliza Fontes de Avila - Coorientador: Eduardo Alves do Valle Júnior
Breve resumo
Modelos de aprendizagem profunda estão sendo usados em uma lista crescente de aplicações do mundo real, incluindo diagnóstico automatizado. Como são modelos baseados em dados, eles podem replicar os vieses encontrados nos dados de treinamento. Para imagens médicas, poucos centros contribuem com dados para problemas de dimensões globais, como o câncer de pele. A inevitável mudança de distribuição causada por diferentes populações, procedimentos hospitalares e muitas outras possíveis fontes de vieses pode levar a consequências catastróficas.
Nesta tese, investigamos mudanças em conjuntos de dados e modelos de lesões de pele. O câncer de pele é um problema de saúde importante, sendo responsável pela maioria dos cânceres no Brasil. A detecção precoce é crucial para um prognóstico positivo e a detecção automatizada do cancro da pele oferece uma solução promissora, especialmente para pacientes que enfrentam barreiras geográficas ou econômicas. Como o diagnóstico de câncer de pele feito por dermatologistas faz uso do reconhecimento de padrões, essa tarefa se alinha bem com as técnicas de aprendizado de máquina. A análise de lesões de pele é um campo em rápida evolução, beneficiando-se de um volume crescente de dados e de variadas modalidades. No entanto, problemas como falta de generalização e dependência excessiva de correlações espúrias impedem o uso abrangente dessas soluções.
Nosso trabalho contribui para vários aspectos deste problema, incluindo anotação de dados, avaliação de vieses e desenviesamento. Anotamos conjuntos de dados de lesões de pele para indicar a presença e localização de artefatos, possibilitando avaliar a robustez do modelo e facilitando o desenviesamento.
Introduzimos uma nova abordagem para separar dados de treinamento e teste para avaliar vieses de modelo. Este método chamado "Trap Sets", foi projetado para revelar a dependência de um modelo em correlações espúrias, ajustando os níveis de viés durante o treinamento e apresentando correlações contrárias durante o teste. Os Trap Sets permitem uma avaliação precisa do aprendizado de ``atalhos'' na análise de lesões de pele, algo normalmente limitado a conjuntos de dados mais simples e controlados. Nossos experimentos demonstram que os modelos dependem desses recursos problemáticos, um comportamento que os Trap Sets penalizam severamente.
Ao abordar a eliminação de vieses, exploramos estratégias de treinamento e de teste. Durante o treinamento, aproveitamos nossas anotações de artefato para orientar os modelos em direção ao aprendizado de características mais alinhadas com o conhecimento médico. No momento do teste, nos concentramos em identificar e utilizar recursos clinicamente relevantes para inferência. A integração dessas estratégias se mostrou eficaz, apontando o caminho para diagnósticos de lesões cutâneas mais justos e efetivos.
Banca examinadora
Titulares:
| Sandra Eliza Fontes de Avila | IC/UNICAMP |
| André Georghton Cardoso Pacheco | INF/UFES |
| Flávia Vasques Bittencourt | FM/UFMG |
| Esther Luna Colombini | IC/UNICAMP |
| Letícia Rittner | FEEC/UNICAMP |
Suplentes:
| Aurea Rossy Soriano Vargas | IC/UNICAMP |
| Ana Gabriela Salvio | FAC |
| Agma Juci Machado Traina | ICMC/USP |