Antonio Battistaa, Rosa Alessia Battistab, Federica Battistac, Gerardo
Iovaned,\u2217, Riccardo Emanuele Landie
aA.O.U. S. Giovanni di Dio e Ruggi d'Aragona, UOC Chir Urg, UOC Laboratorio Analisi,
Salerno, It\u00e1lia
bIRCCS Ospedale San Raffaele, University Vita Salute S. Raffaele, Mil\u00e3o, It\u00e1lia
cIRCCS Foundation Policlinico San Matteo, Universidade de Pavia, Pavia, It\u00e1lia
dDepartamento de Ci\u00eancia da Computa\u00e7\u00e3o, Universidade de Salerno, Salerno, It\u00e1lia
eDepartment of Electronics, Information and Bioengineering, Politecnico di Milano, Mil\u00e3o,
It\u00e1lia<\/p>
Introdu\u00e7\u00e3o
O c\u00e2ncer colorretal (CCR) \u00e9 uma das doen\u00e7as malignas mais comuns entre os
popula\u00e7\u00e3o geral, representando 10% de todos os c\u00e2nceres diagnosticados. O CRC representa
o terceiro tumor maligno mais frequente em homens, enquanto \u00e9 apenas o segundo em
mulheres ap\u00f3s o c\u00e2ncer de mama. Em 2020, sua incid\u00eancia estimada foi de 19:100.0005
em todo o mundo, enquanto a taxa de mortalidade representa 9,4% de todas as doen\u00e7as relacionadas ao c\u00e2ncer
mortes [1]. Nas \u00faltimas d\u00e9cadas, o mundo cient\u00edfico testemunhou uma ligeira diminui\u00e7\u00e3o
na incid\u00eancia e mortalidade do CRC, supostamente relacionadas a ambas as implementa\u00e7\u00f5es
de programas de triagem em massa e subsequente reconhecimento precoce da doen\u00e7a
em est\u00e1gios iniciais. Altera\u00e7\u00e3o de hemoglobina e DNA detectada em amostras de fezes10
juntamente com a endoscopia, \u00e9 o teste de triagem mais difundido e recomendado em
a popula\u00e7\u00e3o em geral. No entanto, eles s\u00e3o sobrecarregados por uma sensibilidade bastante baixa
e invasividade, respectivamente [2]. Por esse motivo, o eventual desenvolvimento de
novas abordagens minimamente invasivas, altamente sens\u00edveis e espec\u00edficas t\u00eam um papel crucial
papel na busca pelo reconhecimento da doen\u00e7a no est\u00e1gio mais precoce poss\u00edvel.
A Intelig\u00eancia Artificial introduziu perspectivas relevantes da solu\u00e7\u00e3o, especialmente a de que o uso de um sistema de intelig\u00eancia artificial \u00e9 uma solu\u00e7\u00e3o para o problema.
principalmente por meio do aprendizado de m\u00e1quina supervisionado, que visa a aproximar os dados desconhecidos
padr\u00f5es entre os dados relevantes. Par\u00e2metros significativos podem ser usados de forma eficiente e confi\u00e1vel
permitem infer\u00eancias sobre o estado de sa\u00fade dos pacientes; reconhecimento de padr\u00f5es em doen\u00e7as colorretais
diagn\u00f3stico de c\u00e2ncer est\u00e1 em cont\u00ednua e consider\u00e1vel expans\u00e3o [3, 4, 5, 6].20
Neste estudo, propomos um aprimoramento adicional do \u00edndice B [7], um m\u00e9todo matem\u00e1tico de c\u00e1lculo de \u00edndice.
ferramenta matem\u00e1tica baseada em Redes Neurais Artificiais e realidade estendida para aplica\u00e7\u00f5es n\u00e3o relacionadas \u00e0 sa\u00fade.
diagn\u00f3stico precoce e invasivo do c\u00e2ncer colorretal. Enfrentamos o problema de previs\u00e3o de
presen\u00e7a de c\u00e2ncer e classifica\u00e7\u00e3o de estadiamento, combinando os resultados fornecidos
por v\u00e1rios modelos por meio de um aprendizado em conjunto, ou seja, a vota\u00e7\u00e3o majorit\u00e1ria, ap-25
[8]. Realizamos uma an\u00e1lise comparativa dos desempenhos, como bin\u00e1rios
e preditores de estadiamento, fornecidos por quatro modelos de aprendizado de m\u00e1quina: RF (Ran-
dom Forest) [9], XGB (XGBoost) [10], SVM (Support Vector Machine) [11],
e ANN (Rede Neural Artificial) [12].<\/p>