282 XXXI MOSTRA UNISINOS DE INICIAÇÃO CIENTÍFICA E TECNOLÓGICA De 28/10/2024 a 01/11/2024 Unisinos São Leopoldo cação e rotulação de imagens médicas. Para estabelecer de que forma as respostas seriam analisadas pela ferramenta, foi aplicado um questionário em 8 alunos do curso de Medicina da Unisinos composta por 15 imagens de diferentes radiografias de tórax, com o objetivo de que os estudantes ranqueassem as prováveis hipóteses diagnósticas de acordo com seu conhecimento sobre o assunto. Com isso, foram aplicados os mecanismos de consenso “Plurality”, “Borda”, “Cumulative voting” e “Copeland” como uma forma de ponderar o consenso do grupo e refinar a análise de dados da ferramenta. RESULTADOS: Houve concordância entre os 4 mecanismos e a resposta correta dentre as alternativas em 7 das 15 imagens (46,7%). Além disso, também em 7 (46,7%) questões houve empate entre as respostas e em 4 questões (26,7%), a resposta correta não esteve entre as mais votadas, mesmo após a aplicação dos mecanismos. Até o momento, devido a amostragem pequena e a ocorrência de empates, ainda não foi possível estabelecer um mecanismo de consenso que tenha um melhor desempenho nas respostas. PALAVRAS-CHAVE: computação; medicina; educação; aprendizado profundo; mecanismos de consenso; REFERÊNCIAS: WULCZYN, E. et al. Deep learning-based survival prediction for multiple cancer types using histopathology images. Plos One, v. 15, n. 6, p. e0233678, 17 jun. 2020. ESTEVA, A. et al. Dermatologist-level Classification of Skin Cancer with Deep Neural Networks. Nature, v. 542, n. 7639, p. 115-118, 25 jan. 2017. ALZUBAIDI, L. et al. Review of deep learning: concepts, CNN architectures, challenges, applications, future directions. Journal of Big Data, v. 8, n. 1, 31 mar. 2021.
RkJQdWJsaXNoZXIy MjEzNzYz