O LuxAI tem como objetivo avançar no estado da arte, buscando conhecimento na literatura, replicando os resultados obtidos pelos trabalhos e desenvolvendo novas pipelines que integrem os avanços científicos gerando novos resultados.
Imagem gerada através do DALL-E
Pesquisa sobre a avaliação de Grandes Modelos de Linguagem (LLMs) em conjunto com a Geração Aumentada por Recuperação (RAG) para uso em dispositivos móveis, um campo de crescente relevância no cenário atual da inteligência artificial. O trabalho propõe uma metodologia inovadora dividida em três etapas principais: a construção de uma base de dados que relaciona perguntas a contextos específicos, a geração de respostas utilizando diversos LLMs, e a avaliação dessas respostas por meio de um LLM Juiz, que classifica a qualidade das respostas com base em critérios objetivos.
Este trabalho oferece insights valiosos para o desenvolvimento de aplicações móveis que utilizam inteligência artificial, demonstrando como a combinação de LLMs com RAG pode resultar em sistemas mais eficientes e confiáveis para a geração e avaliação de respostas.
Acesse o texto completo aqui!
Imagem gerada através do DALL-E
Este estudo investiga o impacto de técnicas de pré-processamento e aumento de dados no desempenho de algoritmos de classificação de imagens dermoscópicas para diagnóstico de lesões cutâneas. Em particular, são avaliados métodos de constância de cor, que visam corrigir variações de iluminação e normalizar atributos cromáticos, facilitando a identificação de características críticas para a determinação de malignidade. O trabalho compara cinco algoritmos amplamente utilizados, incluindo Grey-World, max-RGB e Shades of Gray, aplicados tanto como pré-processamento quanto como aumento de dados durante o treinamento. As análises utilizam redes neurais convolucionais treinadas em um conjunto de dados padronizado (ISIC18) e examinam como essas abordagens impactam a generalização e o desempenho dos modelos.
Este trabalho contribui para a compreensão de limitações e oportunidades na aplicação de técnicas de normalização em imagens dermoscópicas, visando aprimorar ferramentas de inteligência artificial na dermatologia.
Acesse o texto completo aqui!
Imagem gerada através do Imagen 3
O trabalho aborda o desenvolvimento e a avaliação de métodos para detecção e segmentação de lesões dermatológicas utilizando imagens RGB em contextos clínicos. Para segmentação, foram implementados e comparados os modelos UNet e UNeXt, com destaque para a superioridade do UNeXt em termos de precisão (métrica Dice de 0,87) e eficiência em dispositivos móveis, essencial para aplicações práticas. A pesquisa utiliza o conjunto de dados ISIC18 para treinamento e validação, apontando a necessidade de máscaras de segmentação específicas para melhorar o desempenho em cenários clínicos reais. Além disso, o estudo avalia arquiteturas para detecção de lesões, como YOLOv7 e SSD MobileNet, utilizando dados anotados de diferentes fontes e aplicando técnicas de aumento de dados para melhorar a generalização.
A pesquisa enfatiza a importância da combinação de dados e de técnicas de pré-processamento para superar limitações de conjuntos pequenos. Por fim, os modelos foram integrados a um aplicativo móvel, demonstrando eficiência no diagnóstico assistido, com métricas promissoras, como precisão de 90% e F1-Score de 0,78, em testes realizados com imagens capturadas por smartphones.
Acesse o texto completo aqui!
Imagem gerada através do Imagen 3
O trabalho explora o potencial de arquiteturas baseadas em transformers para a classificação de lesões cutâneas, um campo de relevância crítica na dermatologia clínica. A pesquisa utilizou o dataset ISIC24, notável por sua significativa desproporção de classes, contendo 393 imagens de lesões malignas frente a 400.666 benignas. Para lidar com esse desequilíbrio extremo, foram adotadas estratégias como balanceamento de lotes, redução de amostras negativas e geração de imagens sintéticas via Stable Diffusion. Modelos transformers, como ViT e Swin Transformer, foram comparados a arquiteturas convolucionais, revelando que, embora mais "data-hungry", os transformers demonstraram maior atenção a atributos locais das lesões. A introdução de imagens sintéticas mostrou benefícios como maior Recall, mas desafios como sobreajuste indicam a necessidade de maior diversidade nas imagens geradas.
A pesquisa destaca a importância de estratégias inovadoras para lidar com datasets desequilibrados e melhorar a aplicação de IA na detecção de doenças dermatológicas.
Acesse o texto completo aqui!
Imagem gerada através do Imagen 3
O trabalho investiga a lacuna entre imagens dermatoscópicas e clínicas em aplicações de aprendizado de máquina para diagnóstico dermatológico, destacando os desafios de generalização entre esses domínios. Os modelos atuais, treinados principalmente em dados dermatoscópicos de alta qualidade, enfrentam dificuldades ao lidar com variações intrínsecas de imagens clínicas capturadas por dispositivos não especializados, como smartphones. Problemas como diferenças de resolução, iluminação, ruído e distribuição de classes afetam a precisão na classificação, especialmente para lesões malignas, exacerbados pela escassez de dados clínicos robustos e diversificados.
A pesquisa avalia o impacto dessas variações por meio de experimentos com diferentes arquiteturas de redes neurais convolucionais (CNNs), abordando técnicas de transferência de aprendizado e fine-tuning para melhorar a adaptação em cenários clínicos.
Acesse o texto completo aqui!
2025 All Rights Reserved. Design by Free html Templates Distributed by ThemeWagon