A carregar...
Publicação
Solução digital para análise de raios UV como fator de risco do cancro de pele
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 2.14 MB | Adobe PDF |
Orientador(es)
Resumo(s)
O cancro de pele representa um dos maiores desafios de saúde pública contemporâneos, com incidência global crescente que expõe limitações críticas nos sistemas de prevenção e datasets disponíveis para investigação em inteligência artificial. A análise sistemática da literatura revela que os conjuntos de dados atuais para treino de modelos de machine learning em dermatologia são caracterizados por desequilíbrios demográficos significativos, representação inadequada de diferentes tipos de pele segundo a escala Fitzpatrick, e falta de metadados contextuais essenciais para desenvolvimento de sistemas equitativos e robustos. Este trabalho propõe o desenvolvimento de uma plataforma digital modular para recolha sistemática de dados dermatológicos através de crowdsourcing (distribuir tarefas por uma comunidade alargada, em vez de a um grupo restrito de especialistas, aproveitando o conhecimento, criatividade e esforço coletivo para alcançar soluções de forma mais eficiente e diversificada), integrando geolocalização, índices UV em tempo real, classificação automática de tipos de pele e geração de recomendações preventivas personalizadas. A metodologia inclui uma revisão sistemática PRISMA dos trabalhos existentes, desenvolvimento de um protótipo funcional utilizando Python 3.8, OpenCV e Kivy, implementação de algoritmos de processamento de imagem em espaço HSV para análise de tons de pele, integração com APIs meteorológicas (OpenUV, OpenWeatherMap), e criação de um dashboard para monitorização em tempo real. O sistema será validado através de testes funcionais e disponibilizará as análises numa base de dados central, que futuramente será transformado num sistema central para validação e gestão de datasets. A principal mais-valia reside na criação de um ecossistema de dados tratados que supera as limitações dos repositórios existentes, gerando conjuntos de dados equilibrados, geograficamente distribuídos e ricos em metadados contextuais. Este trabalho estabelece fundamentos para o desenvolvimento futuro de um módulo central com capacidades avançadas de machine learning, protocolos de equidade demográfica, e arquiteturas de federated learning para investigação colaborativa, democratizando o acesso a ferramentas de análise sofisticadas e contribuindo para modelos de IA mais fiáveis e inclusivos na prevenção do cancro de pele.
Abstract: Skin cancer represents one of the foremost contemporary public health challenges, with a globally increasing incidence that highlights critical limitations in prevention systems and available datasets for artificial intelligence research. A systematic literature analysis reveals that current datasets for training machine learning models in dermatology are characterized by significant demographic imbalances, inadequate representation of diverse skin types according to the Fitzpatrick scale, and a lack of essential contextual metadata for developing equitable and robust systems. This work proposes the development of a modular digital platform for systematic collection of dermatological data through crowdsourcing, integrating geolocation, real-time UV indices, automatic skin type classification, and generation of personalized preventive recommendations. The methodology includes a PRISMA systematic review of existing works, development of a functional prototype using Python 3.8, OpenCV, and Kivy, implementation of image processing algorithms in HSV color space for robust skin tone analysis, redundant integration with meteorological APIs (OpenUV, OpenWeatherMap), and creation of a real-time monitoring dashboard. The system will be validated through functional tests and will make analyses available in a central database, which will eventually be transformed into a core system for dataset validation and data management. The primary added value lies in creating a curated data ecosystem that overcomes the limitations of existing repositories, generating balanced, geographically distributed datasets rich in contextual metadata. This work lays the foundations for the future development of a central module with advanced machine learning capabilities, demographic equity protocols, and federated learning frameworks for collaborative research, democratizing access to sophisticated analysis tools and contributing to more reliable and inclusive AI models in skin cancer prevention.
Abstract: Skin cancer represents one of the foremost contemporary public health challenges, with a globally increasing incidence that highlights critical limitations in prevention systems and available datasets for artificial intelligence research. A systematic literature analysis reveals that current datasets for training machine learning models in dermatology are characterized by significant demographic imbalances, inadequate representation of diverse skin types according to the Fitzpatrick scale, and a lack of essential contextual metadata for developing equitable and robust systems. This work proposes the development of a modular digital platform for systematic collection of dermatological data through crowdsourcing, integrating geolocation, real-time UV indices, automatic skin type classification, and generation of personalized preventive recommendations. The methodology includes a PRISMA systematic review of existing works, development of a functional prototype using Python 3.8, OpenCV, and Kivy, implementation of image processing algorithms in HSV color space for robust skin tone analysis, redundant integration with meteorological APIs (OpenUV, OpenWeatherMap), and creation of a real-time monitoring dashboard. The system will be validated through functional tests and will make analyses available in a central database, which will eventually be transformed into a core system for dataset validation and data management. The primary added value lies in creating a curated data ecosystem that overcomes the limitations of existing repositories, generating balanced, geographically distributed datasets rich in contextual metadata. This work lays the foundations for the future development of a central module with advanced machine learning capabilities, demographic equity protocols, and federated learning frameworks for collaborative research, democratizing access to sophisticated analysis tools and contributing to more reliable and inclusive AI models in skin cancer prevention.
Descrição
Dissertação apresentada à Escola Superior de Tecnologia do Instituto Politécnico de Castelo Branco para cumprimento dos requisitos necessários à obtenção do grau de Mestre em Desenvolvimento de Software e Sistemas Interativos.
Aplicação do n.º 4 do artigo 3.º da Política de Depósito de Documentos no RC IPCB.
Palavras-chave
Soluções digitais Prevenção ao cancro de pele Raios UV Datasets de imagens dermatológicas Skin cancer prevention Digital solutions UV rays Crowdsourcing Datasets