A carregar...
Publicação
New approach of skin cancer detection using a deep learning method
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 648.12 KB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Skin cancer occurs when normal skin cell growth becomes abnormal4often triggered by ultraviolet light exposure4and early detection is critical for effective treatment. This thesis investigates a novel diagnostic approach that targets specific amino acids associated with skin cancer cells. Focusing on asparagine, aspartic acid, and glutamine, it was employed three electrodes made of gold, platinum, and carbon to measure these biomarkers using the Square Wave Voltammetry method. The resulting signals were converted into spectrograms to serve as input for a deep learning model. A total of 1,350 spectrogram samples (150 per amino acid per electrode) were used to train and evaluate the model. For the gold electrode, the model achieved an accuracy of 82% (F1 score: 81%, precision: 84%, recall: 82%, Cohen9s kappa: 73%, ROC AUC: 93%), excelling in the identification of aspartic acid and glutamine while underperforming on asparagine. The platinum electrode attained an overall accuracy of 80% with perfect classification of aspartic acid, whereas the carbon electrode reached 78% accuracy, performing best for asparagine. In tests with amino acid mixtures, the gold electrode reliably detected all components, whereas the platinum and carbon electrodes showed selective misclassifications. These findings highlight that electrode material significantly influences spectral pattern recognition and suggest that combining optimized electrode selection with deep learning can enhance early skin cancer diagnosis. Furthermore, the study demonstrates that increasing sample volume improves model accuracy, providing a promising foundation for future diagnostic tools.
O cancro da pele ocorre quando o crescimento normal das células cutâneas se torna anormal 4 frequentemente desencadeado pela exposição à luz ultravioleta 4 e a deteção precoce é fundamental para um tratamento eficaz. Esta tese investiga uma abordagem diagnóstica inovadora que se centra em aminoácidos específicos associados às células cancerígenas da pele. Focando em asparagina, ácido aspártico e glutamina, foram usados três elétrodos, fabricados em ouro, platina e carbono, para medir estes biomarcadores através do método de voltametria de onda quadrada. Os sinais resultantes foram convertidos em espectrogramas, que serviram como entrada para um modelo de Deep learning. Foram utilizados, no total, 1.350 espectrogramas (150 por aminoácido e por elétrodo) para treinar e avaliar o modelo. No elétrodo de ouro, o modelo atingiu uma precisão de 82% (pontuação F1: 81%, precisão: 84%, recall: 82%, kappa de Cohen: 73%, ROC AUC: 93%), destacando-se na identificação de ácido aspártico e glutamina, mas apresentando desempenho inferior na deteção de asparagina. O elétrodo de platina obteve uma precisão global de 80%, com classificação perfeita de ácido aspártico, enquanto o elétrodo de carbono alcançou 78% de precisão, apresentando melhor desempenho na identificação de asparagina. Em testes com misturas de aminoácidos, o elétrodo de ouro detetou fiavelmente todos os componentes, ao passo que os elétrodos de platina e carbono mostraram classificações seletivas. Estes resultados evidenciam que o material do elétrodo influencia significativamente o reconhecimento dos padrões espectrais e sugerem que a combinação de uma seleção otimizada de elétrodos com Deep learning pode potenciar a deteção precoce do cancro da pele. Para além disso, o estudo demonstra que o aumento do volume de amostras melhora a precisão do modelo, constituindo uma base promissora para futuros instrumentos diagnósticos.
O cancro da pele ocorre quando o crescimento normal das células cutâneas se torna anormal 4 frequentemente desencadeado pela exposição à luz ultravioleta 4 e a deteção precoce é fundamental para um tratamento eficaz. Esta tese investiga uma abordagem diagnóstica inovadora que se centra em aminoácidos específicos associados às células cancerígenas da pele. Focando em asparagina, ácido aspártico e glutamina, foram usados três elétrodos, fabricados em ouro, platina e carbono, para medir estes biomarcadores através do método de voltametria de onda quadrada. Os sinais resultantes foram convertidos em espectrogramas, que serviram como entrada para um modelo de Deep learning. Foram utilizados, no total, 1.350 espectrogramas (150 por aminoácido e por elétrodo) para treinar e avaliar o modelo. No elétrodo de ouro, o modelo atingiu uma precisão de 82% (pontuação F1: 81%, precisão: 84%, recall: 82%, kappa de Cohen: 73%, ROC AUC: 93%), destacando-se na identificação de ácido aspártico e glutamina, mas apresentando desempenho inferior na deteção de asparagina. O elétrodo de platina obteve uma precisão global de 80%, com classificação perfeita de ácido aspártico, enquanto o elétrodo de carbono alcançou 78% de precisão, apresentando melhor desempenho na identificação de asparagina. Em testes com misturas de aminoácidos, o elétrodo de ouro detetou fiavelmente todos os componentes, ao passo que os elétrodos de platina e carbono mostraram classificações seletivas. Estes resultados evidenciam que o material do elétrodo influencia significativamente o reconhecimento dos padrões espectrais e sugerem que a combinação de uma seleção otimizada de elétrodos com Deep learning pode potenciar a deteção precoce do cancro da pele. Para além disso, o estudo demonstra que o aumento do volume de amostras melhora a precisão do modelo, constituindo uma base promissora para futuros instrumentos diagnósticos.
Descrição
Palavras-chave
Skin cancer Deep learning Amino acids Square wave voltammetry Electrodes Cancro da pele Aminoácidos Voltametria de onda quadrada Elétrodos
Contexto Educativo
Citação
Editora
Licença CC
Sem licença CC