RAIA-BRASIL/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

Modelo	Acurácia	Precisão	Recall	F1-Score
ConvNeXT	0.688	0.651	0.631	0.638
EfficientNet	0.558	0.608	0.605	0.512
DeiT	0.688	0.648	0.635	0.639
Swin Transformer	0.632	0.591	0.622	0.590
Ensemble (XGBoost)	0.697	0.712	0.622	0.838

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).