Repositório para o projeto de detecção de sofrimento fetal utilizando técnicas de Inteligência Artificial e Machine Learning com o auxílio de Keras e TensorFlow. O foco principal está na análise de dados provenientes de cardiotocografias para prever possíveis situações de risco durante o trabalho de parto.
- Contextualização
- Classes de classificação e dataset
- Abordagem na resolução do problema
- Configuração de segredos
O termo sofrimento fetal refere-se a situações críticas durante o trabalho de parto, nas quais o bebê está em risco de vida. A cardiotocografia é o exame central neste contexto, assemelhando-se a um eletrocardiograma, mas destinado a monitorar o batimento cardíaco do feto e diversas variáveis relacionadas às contrações uterinas da gestante.
A cardiotocografia desempenha um papel crucial em gestações de risco, detectando momentos de sofrimento fetal. Quando identificado, este quadro demanda uma ação imediata, frequentemente resultando em cesariana para preservar a vida do bebê e da gestante.
Além do aspecto clínico, a cardiotocografia é amplamente utilizada em situações de gestação de risco, inclusive na rede pública de saúde. Sua aplicação preventiva visa reduzir a mortalidade infantil e materna, tornando-se uma ferramenta valiosa para profissionais de saúde.
No contexto do problema, cada leitura da cardiotocografia é classificada em uma das três categorias a seguir, sendo fundamental para a tomada de decisão clínica:
normal: estado apropriado, dentro dos parâmetros esperados;suspeito: indicando possível sofrimento fetal iminente;patológico: indicando que o bebê está em sofrimento fetal.
Ao lidar com os dados, o especialista médico desempenha um papel crucial, identificando as características relevantes no exame. A tarefa, neste exercício, é utilizar um conjunto de dados já processado para criar um modelo preditivo. Esse modelo deverá vincular as características extraídas do exame com as categorias de classificação, permitindo a previsão do estado do bebê com base nas variáveis monitoradas. Para isso, utilizaremos a biblioteca Keras em conjunto com o TensorFlow.
Para que a pipeline do projeto funcione corretamente, é necessário configurar os seguintes segredos no repositório do GitHub (Settings > Secrets and variables > Actions > Repository secrets). Esses segredos são utilizados para diversas finalidades, como autenticação, controle de acesso e integração contínua.
Para obter os valores necessários para os segredos, é preciso criar contas em duas plataformas essenciais:
Docker Hub é uma plataforma para construção e compartilhamento de containers Docker. Registre-se para obter as credenciais necessárias.
Dagshub é uma plataforma para gerenciamento de modelos de machine learning. Crie uma conta para obter as credenciais necessárias para rastreamento com o MLflow.
| Nome | Descrição |
|---|---|
| DOCKER_IMAGE_NAME | Nome da imagem Docker utilizada no projeto. |
| DOCKER_PASSWORD | Senha de acesso ao registro Docker. |
| DOCKER_USER | Nome de usuário do registro Docker. |
| MLFLOW_TRACKING_MODEL | URI de rastreamento do MLflow para o modelo. |
| MLFLOW_TRACKING_PASSWORD | Senha de autenticação para o rastreamento MLflow. |
| MLFLOW_TRACKING_URI | URI para o rastreamento do MLflow. |
| MLFLOW_TRACKING_USERNAME | Nome de usuário para autenticação MLflow. |
Créditos: Professor Renan Santos