| Campo DC | Valor | Idioma |
|---|
| dc.contributor.advisor | Gonçalves, Rodrigo Gurgel | - |
| dc.contributor.author | Gomes, Isadora Ribeiro de Carvalho | - |
| dc.date.accessioned | 2025-05-15T19:15:50Z | - |
| dc.date.available | 2025-05-15T19:15:50Z | - |
| dc.date.issued | 2025-05-15 | - |
| dc.date.submitted | 2025-02-13 | - |
| dc.identifier.citation | GOMES, Isadora Ribeiro de Carvalho. Identificação de carrapatos de importância em saúde pública na América do Sul com um algoritmo de aprendizagem profunda (AlexNet). 2025. 254 f., il. Dissertação (Mestrado em Medicina Tropical) — Universidade de Brasília, Brasília, 2025. | pt_BR |
| dc.identifier.uri | http://repositorio.unb.br/handle/10482/52253 | - |
| dc.description | Dissertação (mestrado) — Universidade de Brasília, Faculdade de Medicina, Programa de Pós-Graduação em Medicina Tropical, 2025. | pt_BR |
| dc.description.abstract | Os carrapatos são ectoparasitos importantes para a abordagem One Health,
pois são vetores de patógenos que infectam humanos, animais domésticos e
silvestres. Estudos nas áreas médica, biológica e veterinária mostram que a
inteligência artificial, por meio de aprendizagem de máquina, tem grande
potencial para auxiliar pesquisadores e profissionais de saúde em práticas
de identificação por imagens. O objetivo deste estudo foi avaliar o
desempenho da Rede Neural Convolucional AlexNet para identificar
carrapatos. Organizamos um banco de imagens com as seguintes
combinações: fêmeas (368), machos (458), dorsais (423), ventrais (403),
baixa resolução (328), alta resolução (498) e todos juntos
(sexo+posição+resolução=826), para identificar os quatro principais vetores
de bioagentes da febre maculosa. Organizamos também outro conjunto de
imagens com as seguintes combinações: capacidade de diferenciar
carrapatos (1.744 imagens) e outros artrópodes (1.744 imagens);
identificação dos gêneros de carrapatos (1.266 imagens imagens de
Amblyomma, 255 de Rhipicephalus, 113 de Dermacentor, 102 de Argas e 8
de Ornithodoros); e identificação de 25 espécies de carrapatos. Para avaliar
o desempenho da rede, mensuramos a acurácia geral, sensibilidade e
especificidade. A rede usou 70% das imagens para treinamento, 10% para
validação interna e 20% para testes no MATLAB. No capitulo 1, a AlexNet
demonstrou uma acurácia geral de mais de 0,80 para identificação de
carrapatos, com bom desempenho independentemente do sexo, posição ou
resolução da imagem. O algoritmo atingiu uma sensibilidade de mais de 0,80
para identificação correta de A. cajennense s.s., A. sculptum e A. triste, bem
como especificidade acima de 0,90 para classificação de todas as espécies,
independentemente das combinações realizadas. No capítulo 2, a AlexNet
demonstrou uma acurácia geral de 0,98 para diferenciar carrapatos de
outros artrópodes, 0,93 para identificação de gêneros e 0,69 para
identificação de espécies. A sensibilidade da rede para identificação de
carrapatos foi de 0,99, para gêneros foi de 1,00, 0,96, e 0,92 na identificação de Argas, Amblyomma e Rhipicephalus, respectivamente. A rede obteve
sensibilidades acima de 0,80 para identificar as espécies Argas miniatus,
Amblyomma coelebs, A. geayi, A. varium, R. sanguineus (complexo), A.
humerale, Rhipicephalus microplus, A. brasiliense e A. maculatum
(complexo). A especificidade foi de 0,96 para carrapatos, acima de 0,90
para os gêneros Argas, Dermacentor, Ornithodoros e Rhipicephalus e para
as espécies a especificidade foi menor que 0,70. O excelente desempenho
da AlexNet para identificação de carrapatos e gêneros representa um passo
significativo na direção ao desenvolvimento de um aplicativo para
identificação automatizada de carrapatos na América do Sul. Essa inovação
poderá contribuir de maneira relevante para a vigilância em saúde pública e
para o fortalecimento de iniciativas de ciência cidadã. | pt_BR |
| dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES). | pt_BR |
| dc.language.iso | por | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.title | Identificação de carrapatos de importância em saúde pública na América do Sul com um algoritmo de aprendizagem profunda (AlexNet) | pt_BR |
| dc.type | Dissertação | pt_BR |
| dc.subject.keyword | Ectoparasitas | pt_BR |
| dc.subject.keyword | Carrapato | pt_BR |
| dc.subject.keyword | Vigilância em saúde | pt_BR |
| dc.subject.keyword | Redes neurais convolucionais | pt_BR |
| dc.subject.keyword | Inteligência artificial | pt_BR |
| dc.subject.keyword | Febre maculosa | pt_BR |
| dc.rights.license | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.unb.br, www.ibict.br, www.ndltd.org sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra supracitada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. | pt_BR |
| dc.description.abstract1 | Ticks are important ectoparasites for the One Health approach, as they are
vectors of pathogens that infect humans, domestic animals, and wild animals.
Studies in the medical, biological and veterinary fields show that artificial
intelligence, through machine learning, has great potential to assist
researchers and health professionals in image identification practices. The
objective of this study was to evaluate the performance of the AlexNet
Convolutional Neural Network to identify ticks. We organized an image bank
with the following experiments: females (368), males (458), dorsal (423),
ventral (403), low resolution (328), high resolution (498) and all together
(sex+position+resolution=826), to identify the four main vectors of spotted
fever bioagents. We organized another dataset with the following
experiments: ability to differentiate ticks (1,744 images) and other arthropods
(1,744 images); identification of tick genera (1,266 images of Amblyomma,
255 of Rhipicephalus, 113 of Dermacentor, 102 of Argas and 8 of
Ornithodoros); and identification of 25 tick species. To evaluate the network
performance, we measured overall accuracy, sensitivity and specificity. The
network used 70% of the images for training, 10% for internal validation, and
20% for testing in MATLAB. In chapter 1, AlexNet demonstrated an overall
accuracy of over 0.80 in identifying ticks, with good performance regardless
of sex, position, or image resolution. The algorithm achieved a sensitivity of
over 0.80 in correctly identifying A. cajennense s.s., A. sculptum, and A.
triste, as well as specificity above 0.90 for classifying all species, regardless
of the experiments performed. In chapter 2, AlexNet demonstrated an overall
accuracy of 0.98 for differentiating ticks from other arthropods, 0.93 for
identifying genera, and 0.69 for identifying species. The network's sensitivity
for identifying ticks was 0.99, and for genera it was 1.00, 0.96, and 0.92 for
identifying Argas, Amblyomma, and Rhipicephalus, respectively. The species
Argas miniatus, Amblyomma coelebs, A. geayi, A. varium, R. sanguineus
(complex), A. humerale, Rhipicephalus microplus, A. brasiliense and A.
maculatum (complex) obtained sensitivities above 0.80. The specificity was 0.96 for ticks, >0.90 for the genera Argas, Dermacentor, Ornithodoros and
Rhipicephalus and for the species the specificity was <0.70. The excellent
performance of AlexNet in the identification of ticks and genera represents a
significant step towards the development of an application for automated tick
identification in South America. This innovation could contribute significantly
to public health surveillance and to the strengthening of citizen science
initiatives. | pt_BR |
| dc.description.unidade | Faculdade de Medicina (FM) | pt_BR |
| dc.description.ppg | Programa de Pós-Graduação em Medicina Tropical | pt_BR |
| Aparece nas coleções: | Teses, dissertações e produtos pós-doutorado
|
