A classificação de dados desempenha um papel crucial no campo do aprendizado de máquina. Enquanto as técnicas tradicionais se concentram nas características físicas do conjunto de dados, denominadas classificação de baixo nível, propomos uma abordagem inovadora. Em contraste, o cérebro humano destaca-se na capacidade de discernir objetos com base na organização semântica, inspirando a classificação de alto nível. Apesar do progresso em diversas técnicas, desafios persistem. Neste contexto, apresentamos soluções para enfrentar esses desafios: 1) Em técnicas tradicionais, os testes de confirmação de padrões mostram pouca variabilidade, especialmente em redes de treinamento em grande escala, considerando medidas convencionais como assortatividade e coeficiente de clustering. Introduzimos medidas inovadoras baseadas em ciclos curtos e Minimum Spanning Tree (MST) da rede, ampliando a sensibilidade da confirmação de padrões. 2) Nas técnicas tradicionais, as redes correspondentes a cada classe são construídas com regras locais, como o método dos k Vizinhos Mais Próximos (kNN). Propomos otimizar as redes de treinamento para um desempenho aprimorado. 3) Aplicamos nossa técnica inovadora ao diagnóstico de COVID-19, classificando imagens de raio-X do tórax. Avançamos na precisão e eficácia da classificação de dados de alto nível, especialmente no diagnóstico de COVID-19 por meio de imagens de raio-X do tórax. Esses esforços representam avanços significativos na melhoria das técnicas de classificação, abrindo caminho para aplicações específicas, como o diagnóstico de COVID-19 com imagens de raio-X do tórax.

Data classification plays a crucial role in the field of machine learning. While traditional techniques focus on the physical characteristics of the dataset, referred to as low-level classification, we propose an innovative approach. In contrast, the human brain excels in discerning objects based on semantic organization, inspiring high-level classification. Despite progress in various techniques, challenges persist. In this context, we present solutions to address these challenges: 1) In traditional techniques, pattern confirmation tests show little variability, especially in largescale training networks, considering conventional measures such as assortativity and clustering coefficient. We introduce innovative measures based on short cycles and the Minimum Spanning Tree (MST) of the network, enhancing pattern confirmation sensitivity. 2) In traditional techniques, networks corresponding to each class are built with local rules, such as the k-Nearest Neighbors (kNN) method. We propose optimizing training networks for enhanced performance. 3) We apply our innovative technique to the diagnosis of COVID-19, classifying chest X-ray images. We advance the accuracy and effectiveness of high-level data classification, particularly in the diagnosis of COVID-19 using chest X-ray images.