Please use this identifier to cite or link to this item:
https://repositorio.ufu.br/handle/123456789/41337
ORCID: | http://orcid.org/0000-0001-9692-9786 |
Document type: | Trabalho de Conclusão de Curso |
Access type: | Acesso Aberto |
Title: | Aprendizado de máquina para o diagnóstico da hipersensibilidade dentinária utilizando espectroscopia no infravermelho por transformada de Fourier |
Alternate title (s): | Machine learning for the diagnosis of dentin hypersensitivity using Fourier transform infrared spectroscopy |
Author: | Souza, Paulo Diego da Silva |
First Advisor: | Carneiro, Murillo Guimarães |
First member of the Committee: | Travençolo, Bruno Augusto Nassif |
Second member of the Committee: | Miani, Rodrigo Sanches |
Summary: | A hipersensibilidade dentinária é um desafio que afeta significativamente a qualidade de vida dos pacientes, demandando métodos de diagnóstico não invasivos e confortáveis. Técnicas vibracionais, como a espectroscopia de infravermelho por transformada de Fourier (FTIR), oferecem uma abordagem rápida e não invasiva para investigar componentes bioquímicos em tecidos. Neste estudo, foram utilizados os dados de 40 amostras de fluido crevicular gengival (20 apresentavam diagnóstico de hipersensibilidade dentinária e 20 serviram como amostras de controle), submetidas à análise FTIR, com realização de pré-processamento, incluindo normalização pela Amida I e aplicação de Savitzky-Golay com derivadas. Vários modelos de aprendizado, incluindo KNN, Árvore de Decisão, Naive Bayes, XGBoost, MLP e BiLSTM, foram desenvolvidos e comparados. O XGBoost se destacou com resultados consistentes sob a normalização pela Amida I, demonstrando sua robustez. Além disso, o pré-processamento Savitzky-Golay teve um impacto positivo, especialmente no modelo BiLSTM, ressaltando a importância da escolha do pré-processamento. Esses resultados apoiam a viabilidade dos modelos de diagnóstico da hipersensibilidade dentinária e a importância da adequada preparação dos dados para otimizar o desempenho dos algoritmos de aprendizado de máquina. |
Abstract: | Dentin hypersensitivity poses a significant challenge to patients' well-being, requiring the use of non-invasive and comfortable diagnostic techniques. Vibrational methods, such as Fourier-transform infrared spectroscopy (FTIR), provide a swift and non-intrusive means of examining biochemical constituents within tissues. In this study, data from 40 samples of gingival crevicular fluid (comprising 20 samples with dentin hypersensitivity diagnoses and 20 control samples) underwent FTIR analysis, with preprocessing steps encompassing normalization via Amide I and application of Savitzky-Golay with derivatives. Several machine learning models, including KNN, Decision Tree, Naive Bayes, XGBoost, MLP, and BiLSTM, were developed and compared. XGBoost stood out with consistent results under Amide I normalization, demonstrating its robustness. Additionally, Savitzky-Golay preprocessing had a positive impact, especially on the BiLSTM model, highlighting the importance of preprocessing choice. These results support the feasibility of dentin hypersensitivity diagnostic models and the importance of proper data preparation to optimize machine learning algorithm performance. |
Keywords: | Fluido Crevicular Gengival Gingival crevicular fluid Espectroscopia infravermelho com transformada de Fourier Fourier transform infrared spectroscopy Sensibilidade da dentina Dentin sensitivity Aprendizado de máquina Machine learning Pré-processamento de dados Data preprocessing |
Area (s) of CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::SISTEMAS DE INFORMACAO |
Language: | por |
Country: | Brasil |
Publisher: | Universidade Federal de Uberlândia |
Quote: | SOUZA, Paulo Diego da Silva. Aprendizado de máquina para o diagnóstico da hipersensibilidade dentinária utilizando espectroscopia no infravermelho por transformada de Fourier. 2023. 49 f. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) – Universidade Federal de Uberlândia, Uberlândia, 2024. |
URI: | https://repositorio.ufu.br/handle/123456789/41337 |
Date of defense: | 29-Nov-2023 |
Appears in Collections: | TCC - Sistemas de Informação (Uberlândia) |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
AprendizadoMáquinaPara.pdf | TCC | 2.16 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License