Programas Computacionais para Treinamento de Modelos de Classificação Federados

Descrição

Esse repositório contém os programas computacionais desenvolvidos no projeto de iniciação científica "Métodos de Aprendizado de máquina supervisionado e aprendizado federado para resolução de problemas de classificação na área da saúde" realizado com apoio da Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP), Brasil no processo nº 2024/20660-0. As opiniões, hipóteses e conclusões ou recomendações expressas neste material são de responsabilidade do(s) autor(es) e não necessariamente refletem a visão da FAPESP.

Foram desenvolvidas duas aplicações com o emprego de modelos de Aprendizado Federado (AF) para resolução de problemas de classificação. A primeira realiza a classificação de dados simulados, com o objetivo de experimentar a ferramenta de implementação local do framework Flower (todo o sistema se encontra na mesma máquina) e controlar a natureza dos dados. A segunda se trata da classificação de subtipos de câncer de mama com base em dados de sequenciamento de RNA (RNA-Seq). Para isso, foram coletados dados do The Cancer Genome Atlas (TCGA). Nesse caso, foi construída uma rede de contêineres Docker e os dados foram separados de acordo com sua origem a fim de experimentar o Flower numa estrutura federada. Além disso, para cada aplicação, foram desenvolvidos modelos de Aprendizado de Máquina (AM) centralizados análogos para comparação de desemepenho preditivo.

Organização

Classificação de Dados Simulados

• Pasta dados_simulacao: contém os dados gerados por meio de simulação no arquivo IC_Simulacao.ipynb;
• Pasta logreg-sim-ic: contém os arquivos necessários para treinamento de modelos de regressão logística federado para os dados simulados;
• Pasta neural-sim-ic: contém os arquivos necessários para treinamento de modelos de rede neural federados para os dados simulados;
• Arquivo IC_Simulacao.ipynb: contém geração de dados, treinamento de modelos de AM centralizados e avaliação dos modelos centralizados e federados.

Classificação de Subtipos de Câncer de Mama

• Pasta aplicacao-docker: contém os arquivos necessários (exceto os dados) para treinamento de modelos federados para classificação de subtipos de câncer de mama;
• Arquivo TCGA_Centralizado.ipynb: contém separação dos conjuntos de dados, pré-processamento e treinamento dos modelos de AM centralizados e avaliação dos modelos centralizados e federados.