INTEGRAÇÃO DE APRENDIZADO PROFUNDO E MODELOS SIMBÓLICOS PARA INTERPRETABILIDADE EM APRENDIZADO DE MÁQUINA: UMA ABORDAGEM BASEADA EM SHAP

INTRODUÇÃO: O câncer de tireoide está entre as neoplasias malignas de maior incidência global. Apresenta prognóstico favorável quando diagnosticado precocemente, mas sua propedêutica usual é limitada pela variabilidade inter-observador na avaliação ultrassonográfica e pela indeterminação citológica de parcela relevante das biópsias, condição que motiva a exploração de modelos de aprendizado de máquina como ferramentas auxiliares de suporte à decisão clínica. OBJETIVOS: Propor e avaliar um pipeline de três camadas, para a produção de explicações simbólicas interpretáveis de predições de malignidade tireoidiana. MATERIAIS E MÉTODO: As atividades realizadas neste período compreenderam a condução de uma revisão estruturada da literatura e a formulação completa da proposta metodológica experimental, ainda não executada. A revisão adotou caráter narrativo, e foi organizada pelo framework PICO, com recorte temporal de 2022 a 2026 e restrição ao idioma inglês, aplicadas em duas versões de amplitude do componente população (Versão A, restrita ao câncer de tireoide; Versão B, ampliada ao contexto médico geral). Após consolidação e remoção de duplicatas entre bases, 106 registros foram triados em duas fases sucessivas, por título/resumo e por texto completo, resultando em 76 artigos incluídos e organizados em três camadas de relevância (Núcleo, Adjacente e Fundamentação). RESULTADOS: A revisão da literatura permitiu identificar três lacunas convergentes que fundamentam a proposta experimental. A lacuna temática decorre da concentração da literatura de integração SHAP-simbólico em dados tabulares clínicos gerais; dentro do recorte de 2022-2026, apenas um trabalho identificado aplica essa integração especificamente ao diagnóstico de câncer de tireoide, e o faz por meio de regras de associação, que não formalizam as relações detectadas em lógica de primeira ordem. A lacuna metodológica decorre da ausência, em toda a literatura mapeada, de trabalhos que empreguem o ∂ILP como mecanismo simbólico integrado ao SHAP em sistemas de suporte à decisão clínica. A lacuna avaliativa decorre da escassez de métricas formais para avaliação da qualidade de explicações híbridas SHAP-simbólico, das quais nenhuma identificada em contexto clínico. Essas três lacunas, tomadas em conjunto, delimitam o espaço de contribuição original desta pesquisa e fundamentaram as decisões metodológicas. CONSIDERAÇÕES FINAIS: As próximas etapas da pesquisa seguem o cronograma de execução previsto, organizado a partir da conclusão da revisão da literatura relatada e distribuído ao longo dos próximos 12 meses: pré-processamento do dataset thyroid_clean; implementação e treinamento do MLP; integração da camada SHAP; integração da camada ∂ILP, conforme o protocolo de discretização e a estratégia A+B; condução dos experimentos das Dimensões 1 (desempenho preditivo) e 2 (qualidade das explicações); análise dos resultados frente às quatro hipóteses formuladas; avaliação complementar de generalização sobre o dataset de recorrência; e escrita continuada do texto da dissertação, com revisão final e defesa.

PALAVRAS-CHAVE: Câncer da tireoide; aprendizagem de máquina; suporte à decisão clínica; modelos explicáveis; explicação simbólica interpretáve.