Análise comparativa de modelos estatísticos e redes neurais na detecção de cistite a partir de dados clínicos

Rhyan Ximenes de Brito; Janaide Nogueira de Sousa Ximenes

doi:10.22481/recic.v8i1.17258

Autores/as

Rhyan Ximenes de Brito Instituto Federal do Ceará https://orcid.org/0000-0003-3970-5975
Janaide Nogueira de Sousa Ximenes Instituto Federal do Pará https://orcid.org/0000-0002-5676-577X

DOI:

https://doi.org/10.22481/recic.v8i1.17258

Palabras clave:

clasificadores, detección, cistitis, análisis de datos

Resumen

Este estudio evaluó la aplicación de algoritmos de Inteligencia Artificial (IA) como apoyo al diagnóstico de la cistitis aguda, a partir de datos clínicos procedentes de un conjunto de datos público. El objetivo principal fue comparar el desempeño de clasificadores supervisados, incluidas las Redes Neuronales Artificiales (RNA) y métodos estadísticos, en la detección de inflamaciones de la vejiga urinaria. La metodología incluyó etapas de preprocesamiento, balanceo de clases, normalización y validación cruzada estratificada. El clasificador Linear Discriminant Analysis (LDA) presentó el mejor desempeño, con una exactitud del 99,17 %, una precisión del 99,23 % y un F1-Score del 99,17 %. Otros modelos con desempeño destacado fueron Radial Basis Function (RBF), Random Forest (RF), Quadratic Discriminant Analysis (QDA), Support Vector Machine (SVM) con kernel RBF y K-Nearest Neighbors (K-NN), todos con exactitudes superiores al 93 %. El clasificador Extreme Learning Machine (ELM) también demostró un desempeño robusto, con una exactitud del 95 % y un AUC del 98,89 %. Por el contrario, el Multilayer Perceptron (MLP) presentó resultados inferiores entre las redes neuronales artificiales, con una exactitud del 74,17 % y un AUC del 86,09 %. Los modelos basados en boosting, como XGBoost, CatBoost y AdaBoost, exhibieron un desempeño intermedio, con exactitudes entre el 77 % y el 89 %, y valores de AUC superiores al 94 %. Los resultados indican que los métodos discriminantes lineales y los modelos de ensemble son más eficaces que los enfoques probabilísticos simples y las redes neuronales convencionales como apoyo al diagnóstico clínico de la cistitis aguda.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Rhyan Ximenes de Brito, Instituto Federal do Ceará

Mestre em Engenharia Elétrica e de Computação (UFC, 2021), graduado em Ciências da Computação (UVA, 2004) e Matemática (UNIJALES, 2017). Pós-graduado nas áreas de Tecnologia e Inteligência Artificial, com formação em Engenharia de Sistemas, Engenharia de Software, Inteligência Artificial, Machine Learning, Ciência de Dados, Big Data e MBA em Tecnologia para Negócios (IA e Data Science). Na área de Redes e Segurança, é pós-graduado em Redes e Segurança de Sistemas. Na área educacional, possui pós-graduação em Docência na Educação Profissional, Docência no Ensino Superior, Mídias na Educação, Aprendizagem Baseada em Projetos (PBL) e Inclusão Escolar de Alunos com Altas Habilidades ou Superdotação. Professor efetivo do IFCE, atua nas áreas de Inteligência Artificial, Inteligência Computacional Aplicada, Machine Learning, Deep Learning, Lógica Fuzzy, Sistemas Neuro-Fuzzy, Processamento Digital de Imagens, Reconhecimento de Padrões, Mineração de Dados, Redes Neurais em Grafos, Computação Distribuída e Sistemas Multiagentes.

Janaide Nogueira de Sousa Ximenes, Instituto Federal do Pará

Doutoranda e mestra em Ciência da Computação pela Universidade Estadual do Ceará (UECE), com atuação no Laboratório de Grafos e Inteligência Computacional (LAGIC). Detém sólida formação acadêmica, com graduações em Ciência da Computação, Sistemas de Informação e Pedagogia, além de múltiplas especializações nas áreas de Engenharia de Software, Big Data, Psicopedagogia, Docência no Ensino Superior e Tecnologias Educacionais. Possui experiência consolidada em Ciência de Dados, Inteligência Artificial, Inteligência Computacional, Teoria dos Grafos e Engenharia de Software. Atuou como docente e coordenadora em cursos de graduação e pós-graduação em instituições como IFCE, FIED e UVA. Atualmente, é professora efetiva do Instituto Federal de Educação, Ciência e Tecnologia do Pará (IFPA). É membra da Sociedade Brasileira de Computação (SBC), com experiência como representante institucional, e possui certificação Google Certified Educator Level 1. Desenvolve pesquisas nas áreas de Ciência de Dados, Inteligência Artificial e Grafos, com foco na aplicação de soluções inovadoras para problemas computacionais complexos.

Citas

B. N. Mengati and S. M. Hoffmann, “Exames laboratoriais para diagno´sticos das infecções do trato urinário,” Revista Mato-grossense de Saúde, vol. 1, no. 1, pp. 16–30, 2023.

J. Pagnonceli and J. Colacite, “Infecção urinária em gestantes: revisão de literatura,” Uninga´ Review, vol. 26, no. 2, 2016.

A. A. M. De Castro and P. P. L. do Prado, “Algoritmos para reconhecimento de padrões,” Revista Ciências Exatas, vol. 8, no. 2002, 2002.

M. C. Monard and J. A. Baranauskas, “Conceitos sobre aprendizado de máquina,” Sistemas inteligentes-Fundamentos e aplicações, vol. 1, no. 1, p. 32, 2003.

L. P. Lima, “Comparação de desempenho de redes neurais convolutivas no reconhecimento de expresso˜es de dor.” Trabalho de Conclusão de Curso, 2024. Monografia (Graduação em Ciência da Computação) – Universidade Federal do Amazonas, Brasil.

N. N. Bharathi, M. F. Shaik, T. Poojita, T. Sravanthi, M. Rafi, and I. R. Raja, “Heart attack prediction using artificial neural networks,” in 2023 9th International Conference on Advanced Computing and Communication Systems (ICACCS), vol. 1, pp. 304–308, 2023.

V. V. M and R. M, “Analysis of urinary tract infections using machine learning based prediction and classification,” in 2024 7th International Conference on Circuit Power and Computing Technologies (ICCPCT), vol. 1, pp. 1176–1182, 2024.

B. Orlandin, R. S. Lins, L. M. R. Lins, L. L. Corso, et al., “Software com aplicação de inteligência artificial para prever infecções do trato urináro causadas por bactérias multirresistentes,” Interfaces Científicas- Humanas e Sociais, vol. 12, no. 3, pp. 131–146, 2025.

F. S. Bonetto, “Redes neurais convolucionais para segmentação de unidades de tecidos funcionais do rim,” 2022.

P. P. M. Mendes, Modelo preditivo de infecção hospitalar utilizando aprendizado de máquina. PhD thesis, Universidade de São Paulo, 2023.

G. J. C. Mahesse, “Detecção e classificação de pneumonia com base na análise de imagens de radiografia torácica: caso de estudo - hospital central de Maputo,” dissertação de mestrado, Universidade Eduardo Mondlane, Maputo, Moçambique, 2023.

C. D. Silva, R. X. de Brito, M. A. V. Neto, S. A. F. de Oliveira, and J. N. de Sousa Ximenes, “Análise de lesões cutâneas para detecção de melanoma: explorando o potencial da visão computacional,” Conexões- Ciência e Tecnologia, vol. 18, pp. e022028–e022028, 2024.

L. F. Lopes, A. C. de Oliveira, R. X. de Brito, S. A. F. de Oliveira, and L. T. R. Neto, “Estimativa dos n´ıveis de obesidade com base em hábitos alimentares e condição f´ısica através de técnicas de aprendizado de máquina,” in Conference on Graphics, Patterns and Images (SIBGRAPI), pp. 154–157, SBC, 2021.

R. de Brito, C. A. Fernandes, and J. de Sousa Ximenes, “Avaliação de rnas durante treinamento supervisionado para classificação de adolescentes com autismo,” in Escola Regional de Computação do Ceará, Maranhão e Piau´í (ERCEMAPI), pp. 53–60, SBC, 2020.

G. P. Esteve, “Analisando Redes Neurais HRNet para Segmentação de Rins e Tumores em Imagens de Tomografia Computadorizada,” 2023.

H. Kahramanlı, “Determining the acute inflammations using back propagation algorithm with adaptive learning coefficients,” in Proceedings of the International Conference on Recent Trends in Engineering and Technology, Hyderabad, India, pp. 25–27, 2016.

A. G. Barreto, “Um novo modelo generativo para descrições textuais de imagens médicas utilizando transformadores reforçados com redes neurais convolucionais,” dissertação de mestrado, Universidade Federal do Ceará UFC, Fortaleza - CE, 2023.

H. R. Vianna, C. M. B. M. Soares, M. S. Tavares, M. M. Teixeira, and A. C. S. Silva, “Inflamação na doença renal crônica: papel de citocinas,” Brazilian Journal of Nephrology, vol. 33, pp. 351–364, 2011.

E. B. Guidoni and J. Toporovski, “Infecção urinária na adolescência,” Jornal de Pediatria, vol. 77, no. 2, pp. 165–169, 2001.

J. W. D. S. Maciel and R. D. D. F. F. Brito, “Comparação da cintilografia renal dinâmica e estática em relação a outras técnicas de imagem tradicionais na avaliação da pielonefrite,” 2021. Acesso em: 31 mar. 2023.

L. E. Nicolle, “Epidemiology of urinary tract infections,” Clinical Microbiology Newsletter, vol. 24, no. 18, pp. 135–140, 2002.

I. P. Heilberg and N. Schor, “Abordagem diagnóstica e terapêutica na infecção do trato urinário: Itu,” Revista da Associação Médica Brasileira, vol. 49, pp. 109–116, 2003.

Z. L. Kova´cs, Redes neurais artificiais. Editora Livraria da Fisica, 2006.

R. X. De Brito, C. A. R. Fernandes, and M. A. B. Amora, “Ana´lise de desempenho com redes neurais artificiais, arquiteturas mlp e rbf para um problema de classificac¸a˜o de crianc¸as com autismo,” Histo´rico da iSys-Brazilian Journal of Information Systems (SERVIDOR ANTIGO- UNIRIO), vol. 13, no. 1, pp. 60–76, 2020.

A. Braga, A. P. de Leon F. Carvalho, and T. B. Ludermir, Redes Neurais Artificiais: Teoria e Aplicac¸o˜es. Rio de Janeiro: Editora LTC - Livro Te´cnico e Cient´ıfico, 2000.

P. M. Atkinson and A. R. Tatnall, “Introduction neural networks in remote sensing,” International Journal of remote sensing, vol. 18, no. 4, pp. 699–709, 1997.

F. N. Bonifa´cio, “Comparação entre as redes neurais artificiais mlp, rbf e lvq na classificação de dados,” trabalho de conclusão de curso, Universidade Estadual do Oeste do Paraná – Centro de Ciências Exatas e Tecnológicas (CCET), Brasil, 2010.

S. Haykin, Redes neurais: princ´ıpios e pra´tica. Bookman Editora, 2001.

A. Ferreira et al., “Um estudo sobre previsão da demanda de encomendas utilizando uma rede neural artificial,” Blucher Marine Engineering Proceedings, vol. 2, no. 1, pp. 353–364, 2016.

R. Ximenes de Brito, C. A. Rolim Fernandes, and M. A. Baima Amora, “Análise de Desempenho com Redes Neurais Artificiais, Arquiteturas MLP e RBF Para um Problema de Classificação de Crianças com Autismo,” iSys - Brazilian Journal of Information Systems (servidor antigo), vol. 13, p. 60–76, dez. 2019.

M. H. Hassoun, Fundamentals of artificial neural networks. MIT press, 1995.

M. Nakai, H. G. Junior, P. Aguiar, E. Bianchi, and D. Spatti, “Neural tool condition estimation in the grinding of advanced ceramics,” IEEE Latin America Transactions, vol. 13, no. 1, pp. 62–68, 2015.

A. C. Lorena and A. C. P. L. F. De Carvalho, “Uma introdução às support vector machines,” Revista de Informática Teórica e Aplicada, vol. 14, no. 2, pp. 43–67, 2007.

R. F. F. Nascimento et al., “O algoritmo support vector machines (svm): avaliação da separação ótima de classes em imagens ccd-cbers-2,” in Simpósio Brasileiro de Sensoriamento Remoto, vol. 14, pp. 2079–2086, 2009.

T. Hastie, R. Tibshirani, J. Friedman, et al., “The elements of statistical learning,” 2009.

D. Bonesso, “Estimação dos parâmetros do kernel em um classificador svm na classificação de imagens hiperespectrais em uma abordagem multiclasse,” dissertação de mestrado, Universidade Federal do Rio Grande do Sul, Porto Alegre - RS, 2013.

L. Breiman, “Random forests,” Machine learning, vol. 45, pp. 5–32, 2001.

C. Apte´ and S. Weiss, “Data mining with decision trees and decision rules,” Future generation computer systems, vol. 13, no. 2-3, pp. 197– 210, 1997.

G. I. Webb, E. Keogh, and R. Miikkulainen, “Na¨ıve bayes.,” Encyclo- pedia of machine learning, vol. 15, no. 1, pp. 713–714, 2010.

T. Brant-Ribeiro et al., “Uma análise comparativa entre os classificadores adaboost e naive bayes utilizando logs de navegac¸a˜o na identificac¸a˜o de web bots,” 16º JORNADA CIENTI´FICA E TECNOLO´GICA E 13º SIMPO´SIO DE PO´S-GRADUAC¸ A˜O DO IFSULDEMINAS, vol. 16, no. 3, 2024.

T. A. S. Pardo and M. das Grac¸as Volpe Nunes, “Aprendizado bayesiano aplicado ao processamento de l´ınguas naturais,” Tech. Rep. 180, Instituto de Ciências Matemáticas e de Computação (ICMC), Universidade de São Paulo, 2002.

R. Roza and et al., “Uma proposta de metodologia de ensino do problema de monty hall e teorema de bayes para os professores da educac¸a˜o ba´sica,” dissertac¸a˜o de mestrado, Universidade Federal do Rio Grande do Sul, 2023.

L. M. de Assunc¸a˜o, F. B. Teixeira, G. Z. F. de Lima, G. M. de Souza, I. F. de Freitas, J. K. dos Santos, L. S. Gomes, V. Q. Silva, C. V. B. Brito, et al., “Método de Bayes como base na tomada de decisão médica- uma revisão bibliográfica,” Revista da Sociedade Brasileira de Clínica Médica, vol. 21, no. Edição Esp, pp. 15–26, 2023.

G.-B. Huang, Q.-Y. Zhu, and C.-K. Siew, “Extreme learning machine: theory and applications,” Neurocomputing, vol. 70, no. 1-3, pp. 489–501, 2006.

B. E. Z. Buani, Aplicação da Lógica Fuzzy kNN e análises estatísticas para seleção de características e classificação de abelhas. PhD thesis, Universidade de Sa˜o Paulo, 2010.

P. H. O. d. Silva, “Um comparativo entre a modularidade knn e a medida de estabilidade para extração ótima de grupos a partir de hierarquia de grupos.” Monografia (Graduação em Ciência da Computação) – Universidade Federal do Ouro Preto, MG, 2024.

C. G. Tramontina, M. C. F. Castro, and D. E. Ele´trica, “Estudo da análise de discriminantes lineares como um classificador estatístico de sinais mioelétricos,” XXIII Congresso Brasileiro em Engenharia Biomédica – XXIII CBEB, pp. 1879–1893, 2012.

A. R. d. Santos, Identificação de faces humanas através de PCA-LDA e redes neurais SOM. PhD thesis, Universidade de São Paulo, 2005.

G. J. McLachlan, Discriminant analysis and statistical pattern recogni- tion. John Wiley & Sons, 2005.

L. L. A. d. Azevedo, “Métodos estatísticos em aprendizado de máquina para problemas de classificação,” dissertação de mestrado, Universidade Federal do Rio Grande do Norte, Natal, RN, 2018.

D. W. Hosmer Jr, S. Lemeshow, and R. X. Sturdivant, Applied logistic regression. John Wiley & Sons, 2013.

H. R. Bittencourt, “Regressão logística politômica: revisão teórica e aplicações,” Acta Scientiae, vol. 5, no. 1, pp. 77–86, 2003.

A. M. G. d. Santos, “Um estudo sobre a extração de caracter´ísticas em dados do Twitter na tarefa de detecção de depressão,” dissertac¸a˜o de mestrado, Universidade FEderal de Sergipe, São Cristóvão-SE, 2024.

Y. Freund and R. E. Schapire, “A decision-theoretic generalization of on-line learning and an application to boosting,” Journal of computer and system sciences, vol. 55, no. 1, pp. 119–139, 1997.

V. S. Matias Junior, “Metodologia para avaliação de transformadores de ate´ 24,2 kv através de técnicas de aprendizado de máquina para determinação do ´índice de saúde,” dissertação de mestrado, Universidade Estadual Paulista (Unesp), São Paulo - SP, 2023.

J. H. Friedman, “Greedy function approximation: a gradient boosting machine,” Annals of Statistics, vol. 29, no. 5, pp. 1189–1232, 2001.

L. Prokhorenkova, G. Gusev, A. Vorobev, A. V. Dorogush, and A. Gulin, “Catboost: unbiased boosting with categorical features,” in Proceedings of the 32nd International Conference on Neural Information Processing Systems (NeurIPS), pp. 6639–6649, 2018.

P. Beja-Battais, “Overview of adaboost: Reconciling its views to better understand its dynamics,” arXiv preprint arXiv:2310.18323, 2023.

T. Chen and C. Guestrin, “Xgboost: A scalable tree boosting system,” in Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 785–794, ACM, 2016.

W. Zhao, J. Li, J. Zhao, D. Zhao, J. Lu, and X. Wang, “Xgb model: Research on evaporation duct height prediction based on xgboost algo- rithm,” Radioengineering, vol. 29, no. 1, pp. 81–93, 2020.

J. Czerniak, “Acute Inflammations.” UCI Machine Learning Repository, 2003. DOI: https://doi.org/10.24432/C5V59S.

J. Czerniak and H. Zarzycki, “Application of rough sets in the presump- tive diagnosis of urinary system diseases,” in Artificial Intelligence and Security in Computing Systems: 9th International Conference, ACS’2002 Miedzyzdroje, Poland October 23–25, 2002 Proceedings, pp. 41–51, Springer, 2003.

M. Harrison, Machine Learning–Guia de referência rápida: trabalhando com dados estruturados em Python. Novatec Editora, 2019.

W. I. D. Mining, “Data mining: Concepts and techniques,” Morgan Kaufinann, vol. 10, no. 559-569, p. 4, 2006.

D. M. Powers, “Evaluation: from precision, recall and f-measure to roc, informedness, markedness and correlation,” arXiv preprint ar- Xiv:2010.16061, 2020.

T. Fawcett, “An introduction to roc analysis,” Pattern recognition letters, vol. 27, no. 8, pp. 861–874, 2006.

P.-N. Tan, M. Steinbach, and V. Kumar, “Data mining cluster analysis: basic concepts and algorithms,” Introduction to data mining, vol. 487, no. 533, p. 58, 2013.