|
|
--- |
|
|
pipeline_tag: image-classification |
|
|
--- |
|
|
|
|
|
# BoneCheck |
|
|
|
|
|
**BoneCheck** é um sistema de inteligência artificial para detecção precoce de osteopenia e osteoporose a partir de radiografias panorâmicas, exames comuns na odontologia. Utilizando redes neurais convolucionais (CNNs) e fusão de predições via XGBoost, o modelo permite identificar sinais da doença de forma rápida, acessível e não invasiva — com potencial para triagem populacional em larga escala, especialmente em regiões com acesso limitado a exames de densitometria óssea. |
|
|
|
|
|
Fornecemos tanto os pesos do modelo final (XGBoost) quanto dos modelos intermediários baseados em redes neurais (CNNs e ViTs) usados para gerar representações usadas para treinar o modelo resultante. |
|
|
|
|
|
## Detalhes do Modelo |
|
|
|
|
|
### Descrição |
|
|
|
|
|
* **Desenvolvido por:** [Gabriel Merlin](https://www.linkedin.com/in/gabrielcmerlin), [André De Mitri](https://www.linkedin.com/in/pedroamdelgado), [Ademir Guimarães](https://www.linkedin.com/in/ademir-guimaraes), [Matheus Giraldi](https://www.linkedin.com/in/matheus-giraldi-alvarenga-b2b856217), [Matheus Lenzi](https://www.linkedin.com/in/matheus-lenzi-dos-santos), [Yasmin Oliveira](https://www.linkedin.com/in/yasmin-victoria-oliveira) |
|
|
* **Parceria institucional:** Faculdade de Odontologia de Ribeirão Preto – USP (FORP-USP), com participação dos Prof. Dr. Plauto Watanabe e Dra. Luciana Munhoz |
|
|
* **Tipo do modelo:** XGBoost |
|
|
* **Correspondência:** [raia.projetos@gmail.com](mailto:raia.projetos@gmail.com), [gabrielcmerlin@gmail.com](mailto:gabrielcmerlin@gmail.com) |
|
|
|
|
|
### Fontes |
|
|
|
|
|
* **Repositório:** [https://github.com/gruporaia/BoneCheck](https://github.com/gruporaia/BoneCheck) |
|
|
|
|
|
## Usos |
|
|
|
|
|
BoneCheck é destinado a auxiliar profissionais da saúde (especialmente dentistas e clínicos gerais) na triagem de osteoporose a partir de exames rotineiros. O modelo pode ser usado para: |
|
|
|
|
|
* Triagem automatizada de risco em radiografias odontológicas; |
|
|
* Apoio a pesquisas em IA aplicada à saúde óssea; |
|
|
* Ensino e validação de soluções em medicina diagnóstica assistida por IA. |
|
|
|
|
|
## Viéses, Riscos e Limitações |
|
|
|
|
|
* **Vieses nos dados:** O desempenho pode variar de acordo com a qualidade das imagens e diversidade do conjunto de dados de treino, que pode não representar todas as populações. |
|
|
* **Risco de uso indevido:** O modelo **não substitui diagnóstico médico**. Seu uso deve ser acompanhado por um profissional da saúde. |
|
|
* **Limitações técnicas:** A performance depende da padronização da imagem (posição da mandíbula, contraste, etc.). |
|
|
|
|
|
## Como Usar |
|
|
|
|
|
```python |
|
|
from huggingface_hub import hf_hub_download |
|
|
import xgboost as xgb |
|
|
|
|
|
REPO_ID = "RAIA-BRASIL/bonecheck_xgboost" |
|
|
FILENAME = "xgb_model.json" |
|
|
|
|
|
# baixar o arquivo do modelo do Hugging Face Hub |
|
|
model_path = hf_hub_download(repo_id=REPO_ID, filename=FILENAME) |
|
|
|
|
|
model = xgb.XGBClassifier() |
|
|
model.load_model(model_path) |
|
|
``` |
|
|
|
|
|
## Detalhes do treinamento |
|
|
|
|
|
### Dados de Treino |
|
|
|
|
|
* Radiografias panorâmicas fornecidas pela FORP-USP, rotuladas por especialistas em três categorias: **Saudável**, **Osteopenia** e **Osteoporose**. |
|
|
|
|
|
### Procedimento |
|
|
|
|
|
#### Pré-processamento |
|
|
|
|
|
* Redimensionamento e padronização |
|
|
* Extração de regiões de interesse (ROI) |
|
|
* Normalização e balanceamento |
|
|
* Divisão treino/teste com validação estratificada |
|
|
|
|
|
#### Hiperparâmetros |
|
|
|
|
|
Hiperparâmetros usados para o treinamento do XGBoost: |
|
|
```json |
|
|
"best_params": { |
|
|
"colsample_bytree": 0.85, |
|
|
"gamma": 1, |
|
|
"learning_rate": 0.02, |
|
|
"max_depth": 2, |
|
|
"min_child_weight": 1, |
|
|
"n_estimators": 25, |
|
|
"subsample": 0.7 |
|
|
} |
|
|
``` |
|
|
|
|
|
Hiperparâmetros usados para o treinamento das redes neurais (CNNs e ViTs): |
|
|
|
|
|
```json |
|
|
"best_params" : { |
|
|
"lr": 1e-4, |
|
|
"batch_size": 64, |
|
|
"optimizer": "Adam", # Adam para CNNs | AdamW para ViTs |
|
|
"n_epochs": 100, |
|
|
} |
|
|
``` |
|
|
|
|
|
OBS: os hiperparâmetros escolhidos são resultantes de uma tunagem de feita usando GridSearch. |
|
|
|
|
|
### Infraestrutura computacional |
|
|
|
|
|
#### Hardware |
|
|
|
|
|
* 1x GPU (V100) |
|
|
* Linux (Ubuntu 22) |
|
|
|
|
|
#### Software |
|
|
|
|
|
* Python, PyTorch, TensorFlow, XGBoost, Streamlit |
|
|
|
|
|
## Avaliação |
|
|
|
|
|
### Dados de Teste & Métricas |
|
|
|
|
|
#### Métricas utilizadas |
|
|
|
|
|
* Acurácia |
|
|
* Precisão |
|
|
* Recall |
|
|
* F1-Score |
|
|
|
|
|
### Resultados |
|
|
|
|
|
| Modelo | Acurácia | Precisão | Recall | F1-Score | |
|
|
| ---------------------- | --------- | --------- | --------- | --------- | |
|
|
| ConvNeXT | 0.688 | 0.651 | 0.631 | 0.638 | |
|
|
| EfficientNet | 0.558 | 0.608 | 0.605 | 0.512 | |
|
|
| DeiT | 0.688 | 0.648 | 0.635 | 0.639 | |
|
|
| Swin Transformer | 0.632 | 0.591 | 0.622 | 0.590 | |
|
|
| **Ensemble (XGBoost)** | **0.697** | **0.712** | **0.622** | **0.838** | |
|
|
|
|
|
## Agradecimentos |
|
|
|
|
|
Agradecimentos especiais aos membros do grupo **RAIA (Rede de Avanço em Inteligência Artificial)** do ICMC-USP São Carlos e aos professores parceiros da FORP-USP (Dra. Luciana Munhoz e Dr. Plauto Watanabe). |
