| Resumo: | O fígado é um dos principais órgãos do ser humano, atuando em processos como digestão dos alimentos,
armazenamento de nutrientes, produção de energia e eliminação de drogas e toxinas do organismo. O mau
funcionamento destas funções podem levar a doenças como hepatites, cirrose, câncer de fígado, insuficiência
hepática e diversas outras. Dentre elas, temos as doenças hepáticas crônicas que são responsáveis por 2,6%
de todas as mortes do mundo, um número crescente que contabiliza ao menos 1,47 milhões de mortes por
ano, sendo a 10a maior em número de mortes (RITCHIE & ROSER, 2018). Inicialmente, a maioria dessas
doenças são silenciosas, por isso um diagnóstico eficaz e dentro da fase curável da doença poderia reduzir
substancialmente o número de óbitos.
Recentemente, modelos computacionais baseados em redes neurais têm sido amplamente utilizados para
clusterização de dados, melhorando a sensibilidade na previsão, classificação e diagnóstico de doenças em
diversas áreas médicas. Dentre as redes utilizadas para diagnóstico estão os modelos baseados na Teoria da
Ressonância Adaptativa (ART) (CARPENTER & GROSSBERG, 1987), pois são capazes de reconhecer e
aprender, de forma rápida ou lenta, um banco de dados sem perder a estabilidade, ou seja, sem perder ou
corromper o conhecimento previamente aprendido. Neste trabalho, o objetivo é apresentar os resultados de
modelos de rede neural do tipo ART (Teoria da Ressonância Adaptativa), mais especificamente, Rede Neural
ART Euclidiana Auto-expansível e Rede Neural p-ART, para a classificação de doenças hepáticas.
|
| Referência 3: | CARPENTER, G. A.; GROSSBERG, S. A massively parallel architecture for a self-organizing neural pattern
recognition machine. Computer Vision, Graphics, and Image Processing, [S.l.], v.37, n.1, p.54–115 |