Previsão de doenças através da aprendizagem automática: Análise médica com recurso à IA

'Modelos de aprendizagem automática para otimizar o desempenho do classificador na previsão precoce da doença' A metodologia central de engenharia e computação aborda lacunas críticas nos modelos de diagnóstico médico através de um fluxo de trabalho distinto em várias etapas: os dados clínicos de alta dimensão (tais como registos complexos de doentes) introduzem frequentemente ruído computacional e 'a maldição da dimensionalidade'. A investigação utiliza metodologias de engenharia especializadas - combinando técnicas como a Análise de Componentes Principais (PCA) e a seleção de características personalizada - para simplificar os conjuntos de dados, reduzindo-os aos seus fatores de risco estatisticamente mais significativos. Antes da classificação ocorrer, a estrutura integra técnicas de aprendizagem automática não supervisionadas, tais como o agrupamento K-means otimizado, para descobrir padrões ocultos e segmentar naturalmente as estruturas de dados clínicos. A principal contribuição da tese centra-se na conceção de modelos específicos para otimizar a precisão, a sensibilidade e o desempenho de execução dos classificadores padrão de aprendizagem automática supervisionada. Através do ajuste fino destes classificadores matemáticos subjacentes, o sistema minimiza os falsos positivos e os falsos negativos.