Arcabouço Explicável Baseado em Teoria da Informação e Aprendizado de Máquina para a Detecção de Carcinoma Intestinal e Doenças Inflamatórias Intestinais em Imagens de Colonoscopia

Descrição

Este projeto propõe o desenvolvimento de um arcabouço computacional explicável baseado em Teoria da Informação, padrões ordinais de Bandt–Pompe e aprendizado de máquina para auxiliar na detecção de carcinoma intestinal, pólipos colorretais e doenças inflamatórias intestinais em imagens de colonoscopia. A proposta amplia o projeto PIBIC em vigor ao incorporar o plano causal entropia–complexidade como espaço de caracterização morfológica e textural de imagens médicas, permitindo representar regiões intestinais normais, inflamatórias, polipoides e potencialmente malignas por meio de descritores informacionais interpretáveis. A metodologia combina a extração de padrões ordinais bidimensionais, o cálculo da entropia de permutação e da complexidade estatística, e a análise das trajetórias e regiões ocupadas no plano entropia–complexidade. Esses descritores serão integrados a modelos de aprendizado de máquina e aprendizado profundo para classificação, segmentação e apoio à decisão clínica. Diferentemente de abordagens puramente baseadas em redes neurais profundas, o uso do plano causal fornece uma camada de explicabilidade intrínseca, pois alterações estruturais nos tecidos, irregularidades de textura, heterogeneidade inflamatória e padrões associados à carcinogênese podem ser analisados a partir da posição e distribuição das imagens no plano informacional. O projeto será validado com bases públicas de colonoscopia, incluindo conjuntos voltados à detecção e segmentação de pólipos, bem como, quando disponíveis, bases contendo imagens associadas a doenças inflamatórias intestinais. Espera-se produzir um método computacional eficiente, explicável e potencialmente aplicável em tempo real para auxiliar gastroenterologistas na identificação precoce de alterações intestinais relevantes.