---
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).