A+A-Acessibilidade
EnglishPortuguese
Buscar
01 Set
14:00 Defesa de Mestrado Auditório - IC3
Tema
Redes Neurais Interpretáveis com Opção de Rejeição para Dados Tabulares (Interpretable Deep Neural Networks with Rejection Option on Tabular Data)
Aluno
Tito Barbosa Rezende
Orientador / Docente
Orientadora: Sandra Eliza Fontes de Avila / Coorientador: Luiz Sérgio Fernandes de Carvalho
Breve resumo
Redes neurais são uma ferramenta poderosa para o diagnóstico assistido por computador, especialmente quando se trata de imagens médicas. Pesquisas recentes também estão tentando sucesso com dados tabulares, uma área dominada pelos algoritmos baseados em árvores de decisão como o Random Forest e XGBoost. A TabNet é uma arquitetura de rede neural profunda que tem obtido resultados tão bons quanto tais algoritmos. No entanto, a adoção massiva desses algoritmos na medicina tem sido adiada por se tratarem de "caixas opacas". Como médicos irão confiar em uma predição se não souberem no que foi baseada, e como eles saberão quando os modelos estão apenas chutando se o algoritmo não expõe essa informação? Neste trabalho, demonstramos que cientistas de dados e médicos podem ter grandes indicações se a predição é confiável combinando interpretabilidade com opção de rejeição. Poderão também entender quais foram as features que impactaram a decisão do modelo. Utilizando dois conjuntos de dados médicos, o Framingham Heart Study e um conjunto de dados coletados em hospitais e clínicas no Brasil, prevemos o risco de um evento cardiovascular adverso (sigla em inglês MACE) utilizando nosso modelo, TabNet com opção de rejeição, com resultados melhores comparados a Random Forest e XGBoost, com ganhos de 2 a 5 pontos percentuais. Nossa abordagem possibilita especialistas de domínio a interpretarem os resultados tanto globalmente quanto localmente. A interpretabilidade da TabNet dá luz quanto ao porquê o modelo está fazendo tal predição, enquanto que a opção de rejeição integrada nos mostra se a predição deve ser considerada ou rejeitada. Finalmente, nós demonstramos que esta abordagem pode possibilitar a substituição de calculadoras de risco convencionais pelo modelo proposto.
Banca examinadora
Titulares:
Sandra Eliza Fontes de Avila IC/UNICAMP
Simone Nascimento dos Santos CTCV/Hospital Brasília
Paula Dornhofer Paro Costa FEEC/UNICAMP
Suplentes:
Marcelo da Silva Reis IC/UNICAMP
Wladimir Magalhaes de Freitas BIOCARDIOS