@MASTERSTHESIS{ 2025:870633294,
 	title = {Uso de Few-shot Learning para lidar com o desbalanceamento severo de dados na classificação de lesões glomerulares},
 	year = {2025},
 	url = "http://tede2.uefs.br:8080/handle/tede/1929",
 	abstract = "No contexto da nefropatologia, a classificação automática de imagens de biópsias renais é essencial para apoiar o diagnóstico e tratamento de pacientes. Técnicas de Machine Learning (ML), especialmente aquelas baseadas em redes neurais convolucionais (Convolutional Neural Networks – CNN), têm permitido a automatização dessa tarefa, oferecendo ganhos operacionais. No entanto, essas técnicas geralmente
 requerem grandes volumes de dados balanceados para alcançar bom desempenho, sendo negativamente afetadas em cenários com escassez de dados e desbalanceamento de classes — uma condição comum na classificação de lesões renais raras. Este trabalho apresenta um estudo aplicado de abordagens para lidar com o desbalanceamento de classes, incluindo o uso de técnicas consolidadas na literatura e
 a aplicação do aprendizado com poucas amostras (Few-Shot Learning – FSL). Os resultados demonstram que é possível atingir desempenho superior a 85% de F1- score em diferentes cenários de desbalanceamento, encontrados para as lesões aqui analisadas, chegando a números superiores a 90% mesmo com taxas de desbalanceamento da ordem de ≈ 1:30. No entanto, os experimentos realizados neste estudo evidenciaram que o desbalanceamento de dados, considerado isoladamente, não é o único fator relevante no desempenho final dos modelos de ML.",
 	publisher = {Universidade Estadual de Feira de Santana},
 	scholl = {Programa de Pós-Graduação em Ciência da Computação},
 	note = {DEPARTAMENTO DE CIÊNCIAS EXATAS}
}