EMERSON SOARES BERNARDES

Resumo

Bachelor's at Farmácia from Universidade Federal de Ouro Preto (1998) and doctorate at Applied Imunology from Universidade de São Paulo (2004). Has experience in Medicine, acting on the following subjects: galectina-3, carboidratos, trypanosoma cruzi, carcinogênesis and macrophage. (Text obtained from the Currículo Lattes on October 8th 2021)


Possui graduação em Farmácia pela Universidade Federal de Ouro Preto (1998), mestrado e doutorado em Imunologia Básica e Aplicada pela Faculdade de Medicina de Ribeirão Preto, Universidade de São Paulo (2004), com período de Doutorado Sanduíche pela Universidade da California, Davis, USA. Realizou pós-doutoramento durante o período de 2004 a 2008 pela Faculdade de Medicina da USP-Ribeirão Preto. Trabalhou como pesquisador contratado pelo Instituto de Patologia e Imunologia Molecular da Universidade do Porto - IPATIMUP em Portugal no período de 2008 a 2011. Retornou ao Brasil como pesquisador visitante na Faculdade de Medicina da USP - São Paulo (2011-2012) e foi posteriormente contratado como pesquisador no Instituto do Câncer do Estado de São Paulo (2012-2013). Coordenou um projeto Jovem Pesquisador financiado pela FAPESP (2012-2016 - Desenvolvimento e Produção de Radiofármacos Emissores de Pósitrons com Aplicações Diagnósticas em Oncologia) e está integrado como pesquisador Colaborador no Instituto de Pesquisas Energéticas e Nucleares (IPEN). Tem atuado na área da Glicobiologia, com ênfase na participação de proteínas ligantes de carboidratos em processos inflamatórios e no Câncer. Atualmente é professor do Programa de Pós-Graduação do IPEN-USP Tecnologia Nuclear - Aplicações, tem experiência na área de Radiofarmácia, com ênfase no desenvolvimento de Radiofármacos inéditos para diagnóstico e terapia em Oncologia. (Texto extraído do Currículo Lattes em 08 out. 2021)

Projetos de Pesquisa
Unidades Organizacionais
Cargo

Resultados de Busca

Agora exibindo 1 - 1 de 1
  • Artigo IPEN-doc 28166
    The impact of scan number and its preprocessing in micro-FTIR imaging when applying machine learning for breast cancer subtypes classification
    2021 - DEL-VALLE, MATHEUS; SANTOS, MOISES O. dos; SANTOS, SOFIA N. dos; CASTRO, PEDRO A.A. de; BERNARDES, EMERSON S.; ZEZELL, DENISE M.
    The breast cancer molecular subtype is an important classification to outline the prognostic. Gold-standard assessing using immunohistochemistry adds subjectivity due to interlaboratory and interobserver variations. In order to increase the diagnosis confidence, other techniques need to be examined, where the FTIR spectroscopy imaging allied with machine learning techniques may provide additional and quantitative information regarding the molecular composition. However, the impact of co-added scans acquisition parameter into machine learning classifications still needs better evaluation. In this study, FTIR images of Luminal B and HER2 subtypes were acquired varying the scan number and preprocessing techniques. It was demonstrated a spectral quality improvement when the scan number was increased, decreasing the standard deviation and outliers. Six machine learning models were used to classify the subtypes: Linear Discriminant Analysis, Partial Least Squares Discriminant Analysis, K-Nearest Neighbors, Support Vector Machine, Random Forest and Extreme Gradient Boosting. Best mean accuracy of 0.995 was achieved by Extreme Gradient Boosting model. It was found that all models achieved similar high accuracies with groups b256_064 (256 background and 064 scans), b256_128 and b128_128. Besides assessing the performance of different models, the b256_064 was established as the optimal group due to the minimum acquisition time. Therefore, this work indicates b256_064 for breast cancer subtype classification and also as a basis for other studies using machine learning for cancer evaluation.