This study aims to increase the use of medical data and the ability to automated diagnosis through the integration and homogenization of the databases from the SI3 Health Information System of the Heart Institute (InCor / HC.FMUSP), and investigate the application of state-ofthe- art machine learning models known as Deep Learning, assessing the potential of Deep Learning to computerized diagnosis. As results, a database was prepared for clinical research in the OMOP-CDM format, called InCor-CDM. In the second study we obtained up to 91% overall accuracy in the classification of cutaneous lesions using a deep convolutional neural network on the ISIC database of dermatoscopic images. In the third paper we improved the segmentation of heart magnetic resonance images, on average, by 1.7% in the Dice metric and 2.5x in the training speed of a U-Net convolutional neural network using a localization algorithm. These results demonstrate steps of data preparation; deep learning applied to high-level medical concepts multi-classification for diagnosis; and deep learning applied to low-level image data Cardiac MRI image segmentation.

Este estudo visa ampliar o aproveitamento dos dados médicos e da capacidade de diagnóstico automatizado através da integração e homogeneização das diversas fontes de dados proveniente do Sistema de Informações de Saúde SI3 do Instituto do Coração (InCor/HC.FMUSP), e a investigação de modelos do estado-da-arte de aprendizado de máquina conhecidos por Deep Learning, avaliando o potencial do Deep Learning de auxílio ao diagnóstico computadorizado. Como resultados, foi preparado uma base de dados para pesquisa clínica em formato OMOP-CDM, denominado InCor-CDM. No segundo artigo obteve-se até 91% de acurácia na classificação de lesões cutâneas usando uma rede neural convolucional profunda sobre a base de dados de imagens dermatoscópicas ISIC. E no terceiro artigo melhorou-se, em média, a segmentação de imagens de ressonância magnética cardíaca em 1,7% na métrica Dice e 2,5x em velocidade de treinamento de uma rede neural convolucional U-Net usando um algoritmo de localização. Estes resultados demonstram etapas de preparação de dados; aprendizagem profunda aplicada a conceitos médicos de alto nível multi-classificação voltada a diagnóstico; e aprendizagem profunda aplicada em dados de baixo nível segmentação de imagens de RM Cardíaca.