Deep Learning · Pesquisa Independente · Uberlândia, MG

Rules
Chaves

Desenvolvo sistemas de redes neurais do zero — do controle adaptativo de treinamento à aplicação clínica em triagem de retinopatia diabética. Resultados reais, código aberto, impacto mensurável.

Solicitar Demonstração Ver Metodologia
92%
Top-1 Acc · CIFAR-10
~74%
Redução de ECE (calibração)
EfficientNet
B3 + CBAM · APTOS 2019

Metodologia

Eficiência GREG

GREG é um controlador adaptativo de treinamento inspirado em PID — ele monitora a relação entre ganho de acurácia e custo de épocas em tempo real, ajustando learning rate, paciência e lógica de parada de forma autônoma.

# Métrica de eficiência GREG

δ = (g² − a²) / (a × Δa)

# onde:
g = ganho de acurácia atual
a = acurácia corrente
Δa = variação entre épocas

# Lógica de controle
if δ > threshold: defender()
if δ < lower_bound: reduce_lr()
if plateau: early_stop()
Controle Proporcional

δ mede a eficiência marginal do treinamento — quanto ganho de acurácia se obtém por unidade de custo. Quando δ cai abaixo de um limiar, o controlador age.

Lógica Defender

Em vez de parar abruptamente, GREG "defende" o checkpoint ótimo: congela o melhor estado e reduz o LR gradualmente antes de encerrar o treinamento.

Independente de Dataset

A mesma lógica foi aplicada com sucesso em CIFAR-10 (visão geral) e APTOS 2019 (imagens médicas) sem reajuste manual de hiperparâmetros entre domínios.

Framing Acadêmico

GREG pode ser descrito como um controlador PID discreto sobre o espaço de treinamento — alinhado com literatura de CLR (Smith, 2017) e curriculum learning.

Experimento 01

CIFAR-10
Classificação de Imagens

Rede neural treinada do zero com controle autônomo GREG. Checkpoints ep97–ep99 analisados com calibração de confiança via temperature scaling.

92%
Top-1 Accuracy
−74%
Redução ECE
ep99
Checkpoint Final
T=1.4
Temperatura Ótima
TRAINING LOSS / ACCURACY CURVE Training Loss / Accuracy Curve
Curvas de treinamento — Loss & Accuracy vs Epoch
CONFUSION MATRIX
Matriz de confusão — 10 classes
CALIBRATION DIAGRAM
Reliability diagram — antes e depois de temperature scaling
GREG δ EFFICIENCY CURVE
Evolução da métrica δ ao longo das épocas

Experimento 02 — Aplicação Clínica

Retinopatia
Diabética

Sistema de triagem baseado em EfficientNet-B3 com mecanismo de atenção CBAM, treinado no dataset APTOS 2019. Alvo de demonstração gratuita via gregretinopatia.com.br.

EfficientNet-B3 + CBAM Attention

O modelo combina a eficiência paramétrica da família EfficientNet com blocos de atenção convolucional (CBAM) que destacam as regiões da retina mais relevantes para cada grau de severidade — melhorando tanto acurácia quanto interpretabilidade.

O pipeline completo cobre download de dados, treinamento com GREG, avaliação detalhada e servimento via FastAPI — pronto para integração com sistemas de saúde.

EfficientNet-B3 CBAM APTOS 2019 FastAPI GREG Controller 5 classes Grading 0–4
Acurácia Geral 73,5%
Quadratic Weighted Kappa QWK 0,63
AUC-ROC (macro) Em avaliação
Sensibilidade (Grau ≥ 2) 80
CONFUSION
Matriz de confusão 5 classes
GRAD-CAM
Mapa de atenção Grad-CAM
CONFUSION
Mapa de atenção Grad-CAM

Colaboração

Vamos conversar

Se você é pesquisador, gestor de saúde pública, desenvolvedor ou empresa interessada em aplicações de IA clínica — entre em contato. Ofereço demonstrações do sistema de retinopatia e estou aberto a parcerias, projetos de P&D e licenciamento.

✉ gostosodminas@gmail.com in ⌥ github.com/ruleschaves (repositório)