Use este identificador para citar ou linkar para este item:
https://repositorio.pucgoias.edu.br/jspui/handle/123456789/7103
Tipo: | Trabalho de Conclusão de Curso |
Título: | Diagnóstico médico usando raciocínio baseado em casos e aprendizagem de máquina |
Autor(es): | Andrade, Alisson Viana de |
Primeiro Orientador: | Coelho, Clarimar José |
metadata.dc.contributor.referee1: | Carvalho, Rafael Viana de |
metadata.dc.contributor.referee2: | Nascimento, Douglas Vieira do |
Resumo: | O objetivo do trabalho é o desenvolvimento de uma metodologia para o diagnóstico de doenças usando o Raciocínio Baseado em Casos (RBC). O pré-processamento da base de casos inclui a normalização de dados, tratamento de valores ausentes e seleção de características significativas, contribuindo para uma base de casos precisa. O algoritmo k-NN (k-Nearest Neighbors) é usado para determinar a proximidade de casos passados e identificar padrões similares. A escolha criteriosa do parâmetro k desempenha um papel crucial nesse processo, influenciando diretamente na sensibilidade do diagnóstico. A adaptação de casos utiliza redes neurais artificiais e explora a flexibilidade e a capacidade de aprendizado das redes neurais para ajustar os casos recuperados, levando em consideração nuances específicas do paciente em questão. A adaptação dinâmica melhora a capacidade do sistema em lidar com variações individuais e complexidades presentes em diferentes casos clínicos. Os resultados obtidos demonstram a eficácia da abordagem proposta no diagnóstico de doenças. A integração das etapas de pré-processamento, recuperação de casos com k-NN e adaptação de casos com redes neurais contribui para um sistema robusto e flexível, capaz de lidar com uma variedade de cenários clínicos. |
Abstract: | The objective of the work is to develop a methodology for diagnosing of diseases using Case-Based Reasoning (CBR). Casebase preprocessing includes data normalization, handling of missing values, and selection of significant features, contributing to an accurate casebase. The k-NN (k-Nearest Neighbors) algorithm is used to determine the proximity of past cases and identify similar patterns. Judicious choice of parameter k plays a role crucial in this process, directly influencing the sensitivity of the diagnosis. Case adaptation uses artificial neural networks and exploits the flexibility and learning capacity of neural networks to adjust the retrieved cases, taking into account consideration specific nuances of the patient in question. Dynamic adaptation improves the system's ability to deal with individual variations and complexities present in different clinical cases. The results obtained demonstrate the effectiveness of proposed approach in the diagnosis of diseases. The integration of pre-processing steps, case retrieval with k-NN and case adaptation with neural networks contributes to a robust and flexible system, capable of handling a variety of clinical scenarios |
Palavras-chave: | Raciocínio baseado em casos Heurística de diferença de casos Aprendizado de máquina Aprendizagem profunda |
CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA |
Idioma: | por |
País: | Brasil |
Editor: | Pontifícia Universidade Católica de Goiás |
Sigla da Instituição: | PUC Goiás |
metadata.dc.publisher.department: | Escola Politécnica |
Tipo de Acesso: | Acesso Aberto |
URI: | https://repositorio.pucgoias.edu.br/jspui/handle/123456789/7103 |
Data do documento: | 15-Dez-2023 |
Aparece nas coleções: | TCC Ciência da Computação |
Arquivos associados a este item:
Arquivo | Tamanho | Formato | |
---|---|---|---|
Alisson_TCC2 (5).pdf | 757,48 kB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.
Ferramentas do administrador