Desempenho do grupo Deep Learning Brasil no desafio RSNA 2017

Pin It

 

O grupo de pesquisa Deep Learning Brasil, comunidade interinstitucional fundada na Universidade Federal de Goiás participou do RSNA Pediatric Bone Age Challenge 2017 promovido pela sociedade americana de radiologia ( Radiological Society of North America - RSNA). O desafio envolve um clássico tipo de exame em que o médico radiologista determina a idade óssea do paciente a partir de um exame de raio-X da mão esquerda. Em associação com a equipe de radiologistas da Universidade Federal de São Paulo, liderados pelo médico radiologista Felipe Kitamura, o grupo de pesquisa Deep Learning Brasil aderiu ao desafio com o propósito de medir o conhecimento frente a outros grupos de pesquisas espalhados pelo mundo. Um dos desafios foi compreender os aspectos do problema em um curto período. Após 60 dias de competição o resultado preliminar foi:

 

Ordenado pela métrica CCC

Posição    Equipe CCC
1 Deep Learning Brasil (Unifesp/UFG)      0.979
  Chen (Stanford) 0.979
  s8t (Vinculação desconhecida) 0.979
4 Cadrin (Stanford) 0.977
5 Hodberg (Visiana Company) 0.974
6 Brata (Columbia University)  0.973
7 Lanjun (Wair Company) 0.969
8 Mamro (Vinculação desconhecida) 0.968
9 HiBrothers (HI Brothers) 0.964
10 Yinterim (Vinculação desconhecida) 0.959

Odernado pela métrica MAD

Posição    Equipe MAE
1 Brata (Columbia University) 5.911
2 Cadrin (Stanford) 6.102
3 b8t (Vinculação desconhecida) 6.123
4 Deep Learning Brasil (Unifesp/UFG) 6.164
5 CHen (Stanford) 6.209
6 Ianpam (Vinculação desconhecida)      6.406
7 Hodberg (Visiana Company)  6.455
8 Rayan (BoneXpert) 6.934
9 Shyam (Vinculação desconhecida) 7.107
10 Chryam (Vinculação desconhecida) 7.356

 

Houve ainda uma fase final para definição do grande vencedor. Entre 300 participantes no mundo, incluindo pessoas, equipes e empresas, a equipe composta por engenheiros e cientistas da computação da Universidade Federal de Goiás e médicos radiologistas do Departamento de Diagnóstico por Imagem da Universidade Federal de São Paulo ficou em terceiro lugar. Atingimos um erro médio de 4 meses e 11 dias (o erro médio do primeiro colocado foi de 4 meses e 8 dias). A diferença entre os três primeiros colocados pode ser considerada estatisticamente insignificante. A distinção neste nível de precisão é difícil em razão de que para algumas imagens de raio-X o valor de gabarito é impreciso. 

 

Apesar de limitações de infra-estrutura de hardware, os resultados obtidos demonstraram que o grupo Deep Learning Brasil atingiu um estágio avançado de conhecimento, compatível com alguns dos principais pesquisadores no mundo. Agradecemos a Nvidia pela doação de uma GPU de média capacidade e a Data-H Ciência de dados, (www.datah.com.br) patrocionadora master do nosso grupo. Aproveitamos para oferecer as nossas boas vindas a Science Medical Center e Americas Health Labs ao portifólio de patrocinadores.

 

Estaremos no dia 27/11/2017 na cidade de Chicago para a cerimônia de premiação dos três primeiros colocados.

 

Equipe Deep Learning Brasil no desafio RSNA 2017

Felipe Kitamura (Unifesp) (https://www.linkedin.com/in/felipe-kitamura-7a6477a1/)

Igor Santos (Unifesp) (https://www.linkedin.com/in/igorafael-santos/)

Gabriel Alencar (Unifesp)

Anderson Soares (UFG) https://www.linkedin.com/in/profandersonsoares/)

Lucas Araújo (UFG) (https://www.linkedin.com/in/apereiral/)

Rafael Teixiera (UFG/UFMT)

Larissa Vasconcelos (UFG)

 

Pin It