Aplicações de modelos computacionais de análise de dados biomédicos em plataformas de dispositivos móveis

Abstract

Este trabalho desenvolve o CNN­Pulmona e o CNN­Cardio, implementações de mode los computacionais para otimização de análise de dados biomédicos de radiografia de tórax (CXR) e eletrocardiograma (ECG), respectivamente, implementáveis em platafor mas de dispositivos móveis, além de uma comparação de vários métodos de compres são de sinais. O CNN­Pulmona é uma abordagem para a classificação de imagens de radiografias de tórax em três classes: pneumonia bacteriana, pneumonia viral (Covid 19 ou outro tipo) e pulmão normal. Emprega­se Redes Neurais Convolucionais, a partir de redes pré­treinadas em conjunto com um processo de quantização, por meio o mé todo da plataforma TensorFlow Lite, com o que se reduz o custo computacional. Usa se o método de classificação em cascata, que possibilita a divisão das classificações em diferentes estágios; dessa forma, foi possível obter 99,16% de precisão na classi ficação de imagens com suspeita de Covid­19. O aplicativo móvel resultante também apresenta uma interface de usuário simples e intuitiva. No CNN­Cardio, é proposto um novo método para classificar sinais de eletrocardiograma em dispositivos móveis, que pode classificar diferentes arritmias de acordo com o padrão EC57 da Association for the Advancement of Medical Instrumentation. Uma rede neural convolucional foi cons truída, treinada e validada com o conjunto de dados de arritmia MIT­BIH, em que essa base de dados possui 5 classes diferentes: batimento normal, batimento supraventricu lar prematuro, contração ventricular prematura, fusão de batimento ventricular, normal e batimento inclassificável. Depois de treinado e validado, o modelo é submetido a um estágio de quantização pós­treinamento usando o método de conversão TensorFlow Lite. Os resultados obtidos foram bem satisfatórios, antes e após a quantização; a rede neural convolucional obteve uma acurácia de 99%. Com a técnica de quantização, foi possível obter uma redução significativa no tamanho do modelo, possibilitando assim o desenvolvimento do aplicativo móvel; essa redução foi de aproximadamente 90% em relação ao tamanho do modelo original. Adicionalmente, comparou­se o compor tamento de diferentes sinais, quando aplicados a diferentes técnicas de compressão, de modo a testar e encontrar as melhores técnicas de compressão para diferentes tipos de sinais biomédicos, comprovando também que diferentes tipos sinais biomé dicos se comportam de maneira distinta em diferentes tipos de compressão de sinais biomédicos; os resultados desta comparação de métodos de compressão de sinais fo ram bastante satisfatórios, demonstrando que diferentes tipos de compressão podem ser usados em sinais biomédicos, para obter melhores resultados de desempenho e qualidade em sua transmissão.