BoneCheck é um projeto de inteligência artificial voltado para a detecção precoce de osteoporose por meio da análise automática de radiografias panorâmicas utilizando redes neurais artificiais. O sistema foi desenvolvido para auxiliar profissionais da saúde na triagem e identificação de pacientes com risco elevado de osteoporose, oferecendo uma alternativa acessível, rápida e não invasiva ao exame tradicional de densitometria óssea.
A osteoporose é uma doença silenciosa e progressiva, caracterizada pela perda de massa óssea e aumento do risco de fraturas. Frequentemente, ela só é diagnosticada após a ocorrência de uma fratura grave, o que já representa um estágio avançado da doença. O problema central é a falta de diagnóstico precoce, especialmente em regiões com acesso limitado a exames específicos como a densitometria óssea (DEXA).
BoneCheck propõe resolver essa lacuna ao utilizar radiografias panorâmicas, exames já comuns na odontologia, para detectar sinais indicativos da doença com o auxílio de inteligência artificial. Isso permite o aproveitamento de exames já realizados, sem a necessidade de exames adicionais, ampliando a capacidade de detecção precoce.
Feito em parceria com a FORB - USP Ribeirão Preto, com os Prof. Dr. Plauto Watanabe e Prof. Dra. Luciana Munhoz.
BoneCheck utiliza um pipeline de classificação de imagens médicas com modelos de redes neurais convolucionais (CNNs) e uma etapa final de fusão de predições com XGBoost, um algoritmo de aprendizado de máquina baseado em árvores de decisão. O sistema foi projetado para analisar radiografias panorâmicas e classificar entre Saudável, Osteopenia e Osteoporose.
Clone o repositório, treine as 4 redes neurais, treine o XGBoost, utilize a aplicação final!
git clone https://github.com/gruporaia/BoneCheck.git
cd BoneCheckpython -m venv venv
source venv/bin/activate # Windows: venv\Scripts\activate
pip install -r requirements.txtpython -m cnn.train_holdout # Treina o modelo
python -m cnn.tensorboard.main --logdir outputs --port 6006 # Monitore o treinamento
python -m xgb.cnn_xgb # Treina o XGBoost
streamlit run app.py # Abre a interface web| 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 | 0.632 | 0.591 | 0.622 | 0.590 |
| Ensemble | 0.697 | 0.712 | 0.622 | 0.838 |
| GPT-4o | 0.372 | 0.555 | 0.358 | 0.261 |
| Gemini 2.5 Pro | 0.602 | 0.517 | 0.487 | 0.484 |
- Testar ensembling mais avançadas, como stacking com validação cruzada e modelos meta-aprendizes.
- Adicionar feedback visual das áreas da imagem que influenciaram a predição (heatmaps, Grad-CAM).
- Desenvolver uma interface mais amigável, com foco em usabilidade para profissionais da saúde (ex.: dentistas, clínicos gerais).
- Gao, W. et al. (2023). Artificial intelligence model based on panoramic radiographs for early diagnosis of osteoporosis. Journal of Medical and Biological Engineering.
- Lee, J. H. et al. (2022). Deep learning based osteoporosis detection using panoramic dental radiographs. Scientific Reports.
- Wang, Z. et al. (2024). Diagnosis of osteoporosis using panoramic radiographs and AI techniques. Journal of International Medical Research.
- Liu, X. et al. (2024). Explainable AI in dental imaging for osteoporosis risk classification. Journal of International Medical Research.
- Silva, M. et al. (2025). Explainable deep learning for osteoporosis screening in dental X-rays. Building and Environment.
- Zhang, Y. et al. (2024). Multi-task transformer for bone quality prediction. Biomedical Signal Processing and Control.
- Vaswani, A. et al. (2017). Attention is All You Need. arXiv preprint arXiv:1703.05175.
- Tan, M., & Le, Q. V. (2019). EfficientNet: Rethinking model scaling for convolutional neural networks. arXiv preprint arXiv:1905.11946.
- Dosovitskiy, A. et al. (2020). An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale. arXiv preprint arXiv:2010.11929.
- Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. arXiv preprint arXiv:1603.02754.
- Google Cloud. Vertex AI: Multimodal Image Understanding.
 |
Este projeto foi desenvolvido pelos membros do RAIA (Rede de Avanço de Inteligência Artificial), uma iniciativa estudantil do Instituto de Ciências Matemáticas e de Computação (ICMC) da USP - São Carlos. Somos estudantes que compartilham o objetivo de criar soluções inovadoras utilizando inteligência artificial para impactar positivamente a sociedade. Para saber mais, acesse nosso site ou nosso Instagram! |
|---|
- Andre De Mitri - LinkedIn | GitHub
- Ademir Guimarães - LinkedIn | GitHub
- Matheus Giraldi - LinkedIn | GitHub
- Matheus Lenzi - LinkedIn | GitHub
- Yasmin Oliveira - LinkedIn | GitHub
- Gabriel Merlin - LinkedIn | GitHub
Agradecimentos especiais aos Prof Dr. Plauto Watanabe e Dra. Luciana Munhoz.