You can deploy this model and start earning money today!

RAIA-BRASIL/
bonecheck_xgboost

Name: bonecheck_xgboost
Availability: InStock

image-classification

Views

No views yet

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: raia.projetos@gmail.com, gabrielcmerlin@gmail.com

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

python

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:

json

    "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):

json

    "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).