bonecheck_xgboost

BoneCheck

BoneCheck é um sistema de inteligência artificial para detecção precoce de osteopenia e osteoporose a partir de radiografias panorâmicas, exames comuns na odontologia. Utilizando redes neurais convolucionais (CNNs) e fusão de predições via XGBoost, o modelo permite identificar sinais da doença de forma rápida, acessível e não invasiva — com potencial para triagem populacional em larga escala, especialmente em regiões com acesso limitado a exames de densitometria óssea.

Fornecemos tanto os pesos do modelo final (XGBoost) quanto dos modelos intermediários baseados em redes neurais (CNNs e ViTs) usados para gerar representações usadas para treinar o modelo resultante.

Detalhes do Modelo

Descrição

• Desenvolvido por: Gabriel Merlin, André De Mitri, Ademir Guimarães, Matheus Giraldi, Matheus Lenzi, Yasmin Oliveira
• Parceria institucional: Faculdade de Odontologia de Ribeirão Preto – USP (FORP-USP), com participação dos Prof. Dr. Plauto Watanabe e Dra. Luciana Munhoz
• Tipo do modelo: XGBoost
• Correspondência: [email protected], [email protected]

Fontes

• Repositório: https://github.com/gruporaia/BoneCheck

Usos

BoneCheck é destinado a auxiliar profissionais da saúde (especialmente dentistas e clínicos gerais) na triagem de osteoporose a partir de exames rotineiros. O modelo pode ser usado para:

• Triagem automatizada de risco em radiografias odontológicas;
• Apoio a pesquisas em IA aplicada à saúde óssea;
• Ensino e validação de soluções em medicina diagnóstica assistida por IA.

Viéses, Riscos e Limitações

• Vieses nos dados: O desempenho pode variar de acordo com a qualidade das imagens e diversidade do conjunto de dados de treino, que pode não representar todas as populações.
• Risco de uso indevido: O modelo não substitui diagnóstico médico. Seu uso deve ser acompanhado por um profissional da saúde.
• Limitações técnicas: A performance depende da padronização da imagem (posição da mandíbula, contraste, etc.).

Como Usar

from huggingface_hub import hf_hub_download
import xgboost as xgb

REPO_ID = "RAIA-BRASIL/bonecheck_xgboost"
FILENAME = "xgb_model.json" 

# baixar o arquivo do modelo do Hugging Face Hub
model_path = hf_hub_download(repo_id=REPO_ID, filename=FILENAME)

model = xgb.XGBClassifier()
model.load_model(model_path)

Detalhes do treinamento

Dados de Treino

• Radiografias panorâmicas fornecidas pela FORP-USP, rotuladas por especialistas em três categorias: Saudável, Osteopenia e Osteoporose.

Procedimento

Pré-processamento

• Redimensionamento e padronização
• Extração de regiões de interesse (ROI)
• Normalização e balanceamento
• Divisão treino/teste com validação estratificada

Hiperparâmetros

Hiperparâmetros usados para o treinamento do XGBoost:

    "best_params": {
        "colsample_bytree": 0.85,
        "gamma": 1,
        "learning_rate": 0.02,
        "max_depth": 2,
        "min_child_weight": 1,
        "n_estimators": 25,
        "subsample": 0.7
    }

Hiperparâmetros usados para o treinamento das redes neurais (CNNs e ViTs):

    "best_params" : {
        "lr": 1e-4,
        "batch_size": 64,
        "optimizer": "Adam", # Adam para CNNs | AdamW para ViTs
        "n_epochs": 100,
    }

OBS: os hiperparâmetros escolhidos são resultantes de uma tunagem de feita usando GridSearch.

Infraestrutura computacional

Hardware

• 1x GPU (V100)
• Linux (Ubuntu 22)

Software

• Python, PyTorch, TensorFlow, XGBoost, Streamlit

Avaliação

Dados de Teste & Métricas

Métricas utilizadas

• Acurácia
• Precisão
• Recall
• F1-Score

Resultados

Agradecimentos

Agradecimentos especiais aos membros do grupo RAIA (Rede de Avanço em Inteligência Artificial) do ICMC-USP São Carlos e aos professores parceiros da FORP-USP (Dra. Luciana Munhoz e Dr. Plauto Watanabe).