Detecção automatizada de Sistemas de COVID-19 em texto usando Redes Neurais do tipo transformer

A presente dissertação apresenta uma metodologia para detecção automatizada de sintomas de COVID-19 em texto, através de técnicas de Aprendizado Profundo, nomeadamente, redes do tipo Transformer. Tal metodologia foi desenvolvida inicialmente para identificar, em publicações no Twitter, sintomas predefinidos de COVID-19. A metodologia proposta foi avaliada em uma base de dados (doravante, dataset) de tweets pública, em português brasileiro, de relatos de sintomas de COVID-19 feitos pelos usuários. Ao final, esta foi encapsulada na forma de um chatbot no aplicativo de mensagens Telegram. Ao longo do trabalho, mineramos o dataset para extrair frases com sintomas e construímos redes de Aprendizagem Profunda com alta acurácia para identificação da presença de sintomas. Em paralelo, usamos um processo de Validação Cruzada para avaliar a performance dos resultado e, ao final, interpretamos os resultados usando o algoritmo de Local Interpretable Model-Agnostic Explanations (LIME). Montamos um dataset final com 4321 tweets, dos quais 907 contém ao menos um dos 14 sintomas predefinidos de COVID-19. A rede BERTimbau identificou todos os 14 sintomas reportados em tweets em português, identificando cada sintomas com mais de 97% de acurácia e mais de 0.95 de AUC-ROC nos dados de teste. Com a rede treinada em mãos, montamos o chatbot, o qual funciona tanto como ferramenta de validação da rede treinada quanto como fonte de novos dados para criação de um novo dataset. Este projeto é um passo no caminho do desenvolvimento de uma futura ferramenta clínica automatizada auxiliar para anamnese, e.g., chatbots médicos, para auxiliar avaliações clínicas mais céleres em português.