Projeto Hackaton Ministério da Saúde + Campus Party

https://share.streamlit.io/felipelx/hackathon/IDC_Detector.py

Projeto é dividido em duas partes e três páginas, realizadas com streamlit. A navegação é feita na barra lateral, sendo as duas páginas da análise da imagem com opções de subir arquivo de imagem. A página com as variáveis conta com 30 opções para o usuário definir os parámetros que são respondidos com o retorno das radiografias.

Foi considerado um dataset de centro de pesquisa em câncer que para o treinamento do Machine Learning considera 30 variáveis. 'Raio Médio' : radius_mean, 'Textura Média' : texture_mean, 'Perímetro Médio' : perimeter_mean, 'Área Média' : area_mean, 'Suavidade Média' : smoothness_mean, 'Compacidade Média' : compactness_mean, 'Concavidade Média' : concavity_mean, 'Pontos Concavidade Média' : concave_points_mean, 'Simetria Média' : symmetry_mean, 'Dimensão Fractual Média' : fractal_dimension_mean, 'Raio SE' : radius_se, 'Textura SE' : texture_se, 'Perímetro SE' : perimeter_se, 'Área SE' : area_se, 'Suavidade SE' : smoothness_se, 'Compacidade SE' : compactness_se, 'Concavidade SE' : concavity_se, 'Pontos Côncavos SE' : concave_points_se, 'Simetria SE' : symmetry_se, 'Dimensão Fractual SE' : fractal_dimension_se, 'Raio Pior' : radius_worst, 'Textura Pior' : texture_worst, 'Perímetro Pior' : perimeter_worst, 'Área Pior' : area_worst, 'Suavidade Pior' : smoothness_worst, 'Compacidade Pior' : compactness_worst, 'Concavidade Pior' : concavity_worst, 'Pontos Côncavos Pior' : concave_points_worst, 'Simetria Pior' : symmetry_worst, 'Dimensão Fractual Pior' : fractal_dimension_worst

Para o treinamento do modelo é usado sklearn RandomForestClassifier por ter a melhor acurária depois das opções utilizadas/testadas.

Foram utilizados dois modelos, nos quais o foco é Metástase e Carcimona. Modelo foi contruido a partir da análise de aproximadamente 80 mil imagens, e categorizados por grupos: 0 Benéfico/Normal ou 1 Maligno. Projeto utiliza Tensorflow/Keras para a criação do modelo e projeção da probabilidade.

O modelo deve ser criado de forma específica para cada caso, com testes do melhor processo e se possível sempre retro alimentado para aumentar a base de dados e melhorar a acurária.