ANÁLISE DE MODELOS DE DEEP LEARNING PARA AUXÍLIO NO PÓS-DIAGNÓSTICO DE TUBERCULOSE

Abstract

Segundo a Organização Mundial de Saúde, a tuberculose (TB) é uma das dez maiores causas de morte no mundo, além de ser a principal causa de morte de pessoas HIV-positivas. O objetivo deste trabalho é propor e analisar modelos de deep learning (DL) que auxiliam no pós-diagnóstico de TB, predizendo a gravidade da doença no paciente. Dois modelos de DL são propostos, uma DL totalmente conectada e uma rede neural convolucional (do inglês convolutional neural network -CNN) e a técnica de Grid-search é aplicada nos dois modelos para definir as configurações com os melhores desempenho. Os modelos de DL apresentam resultados interessantes, com uma configuração da DL totalmente conectada atingindo 83,4% de especificidade, e uma configuração da CNN atingindo 80,5%.