Experiências e aprendizado : Estudo de Caso da Pósgraduação de Ciência de dados e saúde

digital da Universidade Federal de Pernambuco, turma 1.

Amy Cruz1, Leonardo Evangelista2; Mabel Lima3; Rafael Gurgel4

1Universidade Federal de Pernambuco, Pernambuco, Brasil
2 Universidade Federal de Pernambuco, Pernambuco, Brasil

3
Universidade Federal de Pernambuco, Pernambuco, Brasil
5
Universidade Federal de Pernambuco, Pernambuco, Brasil
, leonardo.earaujo.pos@ufpe.br, rafael.rgurgel.pos@ufpe.br
Resumo.

Este estudo analisa os resultados do curso de Especialização em Ciências de Dados e Saúde

Digital da Universidade Federal de Pernambuco, focado na aplicação de técnicas de otimização
para melhorar diagnósticos de câncer bucal. Utilizando dados do Instituto Nacional de Câncer e
métodos como Fuzzy C-Means, Partition Membership e Particle Swarm Optimization, o curso
demonstrou como a seleção de atributos influencia positivamente a precisão dos modelos
preditivos. Os resultados destacam os modelos SVM e Random Forest, que atingiram uma precisão
média de 93.13% com o uso completo dos atributos selecionados, enfatizando a importância da
seleção de atributos na eficácia dos modelos de aprendizado de máquina. Este trabalho sublinha
o valor da integração de ciências de dados na prática clínica e na educação interdisciplinar.
Palavras-chave: Ciência de dados, saúde digital, otimização de atributos, diagnóstico de câncer,
aprendizado de máquina.

Abstract.

This study examines the outcomes of the Specialization in Data Science and Digital Health at the
Federal University of Pernambuco, focusing on the application of optimization techniques to improve
oral cancer diagnoses. Utilizing data from the National Cancer Institute and methods such as Fuzzy
C-Means, Partition Membership, and Particle Swarm Optimization, the course demonstrated how
attribute selection positively influences the accuracy of predictive models. The findings highlight the
models SVM and Random Forest, which achieved an average precision of 93.13% with the full use
of selected attributes, emphasizing the importance of attribute selection in the effectiveness of
machine learning models. This work underscores the value of integrating data science in clinical
practice and interdisciplinary education.
Keywords: Data science, digital health, attribute optimization, cancer diagnosis, machine learning.

1. Introdução Pernambuco. A especialização foi

Este documento apresenta os resultados e concebida para fornecer uma plataforma
experiências acumuladas pelos interdisciplinar, combinando uma ampla
estudantes da primeira turma do curso de variedade de conhecimentos e
Especialização em Ciências de Dados e experiências profissionais para enriquecer
Saúde Digital da Universidade Federal de o aprendizado mútuo e a aplicação prática
das competências adquiridas.
1
Iniciado em 10 de abril de 2023, o curso
ofereceu 360 horas de formação acadêmica
divididas em diversos módulos que abrangem
desde a Introdução à Educação a Distância até
Inteligência Artificial e Reconhecimento de
Padrões. Com uma classe diversificada de 56
alunos, provenientes de várias áreas do
conhecimento e diferentes estágios de carreira
acadêmica e profissional, o curso foi
estruturado para maximizar a troca de
conhecimentos e fomentar uma compreensão
abrangente dos desafios e oportunidades na
interseção entre ciência de dados e saúde
digital.
A interação entre alunos de diferentes
formações criou um ambiente rico em
debates e aprendizado coletivo, permitindo
que as sessões síncronas, realizadas
quinzenalmente, evoluíssem para
discussões profundas sobre as aplicações
práticas da teoria ensinada. Este artigo
detalha os resultados de aprendizado de
cada módulo e as impressões dos alunos
sobre sua jornada educacional,
destacando tanto os aspectos positivos
quanto os desafios enfrentados durante o
curso.
Este relato busca não apenas documentar
a experiência da turma, mas também servir
como referência para o aprimoramento
contínuo do programa e para interessados
em futuras edições da especialização.
2. DESCRIÇÃO DA SOLUÇÃO
Sobre esses dados foram aplicados Fuzzy
C-Means, Partition Membership e Particle
Swarm Optimization
Justificativo (problemática)
A justificativa para o diagnóstico de câncer
bucal envolve a rápida evolução da
inteligência artificial (IA) e sua aplicação
cada vez mais frequente na área médica.
Isso é particularmente notável na melhoria
da precisão e eficácia dos diagnósticos de
câncer bucal. Diante do grande volume de
pesquisas publicadas, um artigo de revisão
tem o papel crucial de compilar as
informações mais relevantes e recentes,
apontar as lacunas existentes no
conhecimento atual que necessitam de
investigação futura e contribuir para a
formulação de políticas públicas e
diretrizes clínicas.
Resultados obtidos na classificação
Fuzzy C-Means
O Fuzzy C-Means, Partition Membership e
Particle Swarm Optimization são
algoritmos de aprendizado não
supervisionado que fazem uma
clasterização dos dados , eles não são
classificdores pos se só.
Os resultados das métricas de avaliação
de Fuzzy C-Means para cada configuração
de parâmetros são apresentados na tabela
a seguir.
n m FPC Silhouett Calinski- Davies- Centroides (PCA)
clusters e Harabasz Bouldin

Metodologia 2 1.5 0.7122 0.2454 74.0324 1.7051 (-1.87, 0.02); (2.04, -0.10)

2 2 0.5368 0.2454 74.0324 1.7051 (-1.14, 0.01); (1.22, -0.05)

Os autores escolheram a base dados do 2 2.5 0.5000 0.2454 74.0324 1.7051 (0.03, -0.00); (-0.03, 0.00)
INCA (Instituto Nacial de Câncer) sendo 3 1.5 0.5166 0.2483 50.3697 2.3723 (-2.27, -0.03); (1.78, -0.05); (1.76, 0.00)
extraido dados direcionados ao câncer de 3 2 0.3620 0.2181 42.9694 1.6581 (0.95, -0.01); (-1.58, -0.04); (0.91, -0.01)

boca, como localização, idade, cor de pele, 3 2.5 0.3334 0.2454 74.0324 1.7051 (0.01, 0.00); (0.09, -0.00); (-0.10, 0.00)

tamanho, genero, consumo de álccol e 4 1.5 0.4376 0.1627 41.4939 2.2981 (-2.02, -0.85); (2.12, -0.51); (2.02, 0.35);
(-2.01, 0.81)
diagnóstico [1]. 4 2 0.2688 0.2454 74.0324 1.7051 (0.77, 0.00); (-1.72, -0.10); (0.71, 0.01);
(0.63, 0.02)
4 2.5 0.2501 0.2454 74.0324 1.7051 (-0.15, 0.00); (0.04, -0.00); (0.10, -0.00);
(0.01, 0.00)

2
Tabela 1: Métricas de avaliação para diferentes
configurações de n clusters e m, incluindo os
valores dos centróides dos clusters.
Partition Membership
Antes da aplicação do Partition
Membership
J48: A acurácia foi de 91.1392%
RandomForest : A acurácia foi de 100%
SVM: A acurácia foi de 84.3882%
Resultados obtidos após a seleção de
atributos
Os resultados depois da aplicação de
Partition Membership
J48: A acurácia melhorou para 97.4684%
RandomForest: A acurácia se manteve
em 100%
SVM
Não foi fornecida a acurácia exata após a
aplicação do Partition Membership para o
SVM no snippet fornecido, mas é possível
inferir mudanças baseadas no contexto
geral e na natureza das outras melhorias
observadas.
A seção de resultados do artigo discute os
efeitos da aplicação do Partion
Membership em diferentes algoritmos de
aprendizado de máquina, embora os
dados específicos de acurácia para o SVM
não estejam disponíveis. Observa-se que,
mesmo sem esses dados, é possível supor
que houve mudanças no desempenho do
SVM, baseando-se nas melhorias vistas
em outros contextos. Para o algoritmo J48,
a implementação dessa técnica
proporcionou um aumento significativo na
acurácia, devido à sua eficácia em
selecionar subconjuntos de dados que
realçam as características importantes
para a classificação. Já no caso do
RandomForest com 50 árvores, a acurácia
permaneceu no seu máximo com a
aplicação do Partion Membership,
indicando que o algoritmo já operava no
seu potencial máximo sem necessidade de
modificação. Esses resultados sugerem
que o Partition Membership poderia
também beneficiar o desempenho do SVM,
promovendo melhorias ou mantendo a alta
eficácia, embora uma confirmação precisa
requeira dados específicos que não estão
disponíveis.
Particle Swarm Optimization
Os resultados do estudo indicam que os
modelos SVM e Random Forest, que
utilizaram a totalidade dos atributos
escolhidos pelo PSO (Particle Swarm
Optimization), apresentaram o melhor
desempenho, com uma precisão média de
93.13% nas previsões. Quando a
quantidade de atributos utilizados foi
reduzida para 50% e 10%, os modelos
ainda assim mantiveram uma boa
performance, embora com uma ligeira
queda na precisão.
Quanto aos modelos SVM que
empregaram kernels específicos, como o
polinomial de segundo grau e o linear, eles
alcançaram resultados moderados, com
precisões médias de 71.62% e 70.93%,
respectivamente. Por outro lado, o modelo
SVM que usou o kernel RBF e os modelos
baseados em técnicas Bayesianas, como
3
a Bayes Net e o Naive Bayes, exibiram as de partição fuzzy (FPC) ao aumentar o m,
menores precisões dentre os avaliados. as configurações de dois clusters
mantiveram valores altos de FPC,
indicando uma separação mais clara e
definida dos dados. Adicionalmente,
Média da Porcentagem de índices como Silhouette, Calinski-
Modelo Previsões Corretas (%)
Harabasz e Davies-Bouldin, quando
aplicados a dois clusters, mostraram-se
estáveis, sem grande perda de qualidade
SVM Random Forest (100) 93.13
mesmo com alterações em m, sugerindo
uma consistência superior na formação
SVM Random Forest (50) 92.95 dos clusters que não foi vista em
configurações com mais clusters. A análise
dos centróides, especialmente após
SVM Random Forest (10) 91.50 aplicação da PCA, confirmou uma
distinção mais nítida entre eles em duas
configurações de clusters, enquanto um
SVM Kernel Polinomial Grau 2 71.62
aumento no número de clusters tendia a
agrupar alguns centróides, indicando uma
SVM Kernel Linear 70.93 possível subdivisão artificial dos dados.
Com base nesses achados, conclui-se que
para o conjunto de dados em questão, dois
Naive Bayes 66.93 clusters representam o ponto ideal para a
aplicação do fuzzy c-means, otimizando a
clareza na separação dos grupos e
SVM Kernel RBF 61.59
reduzindo a complexidade do modelo,
evitando assim o sobreajuste.
Bayes Net 58.04
Recomenda-se o uso dessa configuração
em análises futuras para uma exploração
mais aprofundada dos padrões nos dados.
No que diz respeito ao tempo de
3. DISCUSSÕES treinamento, observou-se variações antes
e depois da introdução do Partion
Membership, com um aumento notável no
O estudo revelou que o algoritmo fuzzy c-
tempo de treinamento do modelo
means mostra uma interação complexa
RandomForest. Esse aumento, de 0.07
entre o número de clusters, o parâmetro de
para 0.14 segundos, pode ser atribuído ao
fuzzificação m, e diferentes critérios de
processamento adicional necessário
desempenho. Dentre as várias
devido aos dados transformados pelo
configurações analisadas, a que se
Partion Membership, aumentando a
destacou foi a de dois clusters, por várias
complexidade dos dados e o tempo
razões. Em primeiro lugar, foi notado que,
necessário para treinar os modelos. No
apesar da diminuição geral do coeficiente
4
entanto, esse impacto é considerado
pequeno e aceitável, dado os ganhos em
acurácia e robustez do modelo.
Finalmente, a análise de diversos modelos
de aprendizado de máquina otimizados via
seleção de atributos usando o algoritmo de
otimização por enxame de partículas
(PSO) revelou insights importantes sobre a
performance desses modelos em tarefas
de classificação. Os modelos testados
incluíram variações do SVM com
diferentes kernels, Random Forest com
diferentes níveis de seleção de atributos e
modelos Bayesianos como Bayes Net e
Naive Bayes, todos mostrando resultados
valiosos em termos de eficácia na
classificação.
4. CONSIDERAÇÕES FINAIS
A conclusão do artigo destaca que a
escolha de parâmetros como o número de
clusters e o expoente de ponderação é
crucial para a eficácia dos modelos de
clusterização. Estudos demonstraram que
alterações no expoente de ponderação
afetam significativamente os resultados de
métricas como Fuzzy Partition Coefficient
(FPC), Silhouette, Calinski-Harabasz e
Davies-Bouldin. Por exemplo, um modelo
com dois clusters e um expoente de
ponderação de 1.5 mostrou ser muito
eficiente, conforme evidenciado por altos
valores nas métricas mencionadas. No
entanto, aumentar o número de clusters
não necessariamente melhorou essas
métricas, sugerindo que um número maior
de clusters pode não ser adequado para
determinados conjuntos de dados. Esses
resultados sublinham a importância de
uma seleção cuidadosa de parâmetros nos
métodos de clusterização fuzzy para
garantir análises claras e úteis.
A implementação do algoritmo de
Membership Partition resultou em
melhorias notáveis na precisão para os
algoritmos J48 e manteve alto
desempenho no RandomForest. Embora
não haja dados específicos para o SVM
após a aplicação, a tendência indica
benefícios potenciais. O impacto no tempo
de treinamento foi mínimo, justificando o
custo computacional adicional devido ao
aumento de desempenho.
A análise conclui que o modelo SVM
Random Forest, com todos os atributos
selecionados pelo PSO, é a opção mais
promissora devido à sua alta precisão.
Esta escolha é corroborada pela
performance geralmente alta, mas outras
considerações como complexidade do
modelo, custo computacional, facilidade de
interpretação e requisitos do projeto
também devem ser levadas em conta na
seleção do modelo.
Finalmente, o texto ressalta a eficácia da
seleção de atributos em aprimorar o
desempenho dos modelos de aprendizado
de máquina, reforçando a relevância de
técnicas de pré-processamento de dados e
otimização para o desenvolvimento de
modelos precisos e eficientes em tarefas
de classificação.
Agradecimentos
Gostaríamos de expressar nossa gratidão
a todos que contribuíram para a realização
deste estudo e o sucesso do curso de
Especialização em Ciências de Dados e
Saúde Digital na Universidade Federal de
Pernambuco. Um agradecimento especial
5
ao corpo docente e aos estudantes da
primeira turma, cujo empenho e dedicação
foram essenciais para o enriquecimento
das discussões e resultados aqui
apresentados. Agradecemos também ao
Instituto Nacional de Câncer (INCA) pela
disponibilização dos dados que formaram
a base deste estudo. Nossa gratidão se
estende aos revisores deste artigo, cujos
comentários e sugestões foram de grande
valia para o aprimoramento do manuscrito.
Por fim, agradecemos ao suporte
financeiro e administrativo da Universidade
Federal de Pernambuco, que foi
fundamental para a execução e sucesso
do programa.
Este trabalho não teria sido possível sem o
ambiente colaborativo e de apoio que
essas organizações e indivíduos
proporcionaram.

REFERÊNCIAS

1. Câncer no Brasil – Dados dos Registros

de Base Populacional. Disponível em:
<https://www.inca.gov.br/publicacoes/li
vros/cancer-no-brasil-dados-dos-
registros-de-base-populacional>.
Acesso em: 9 abr. 2024.
2. SANTANA, G. S. DE et al. Diagnóstico
precoce do câncer bucal com
inteligência artificial: Uma revisão
integrativa. Research, Society and
Development, v. 10, n. 5, p.
e57310513319, 2021.

3. TEMPORÃO, J. G. et al. Desafios

atuais e futuros do uso da medicina de
precisão no acesso ao diagnóstico e
tratamento de câncer no Brasil.
Cadernos de saúde pública, v. 38, n.
10, 2022.