Avaliação de arquiteturas convolucionais pré-treinadas na detecção de câncer oral
Loading...
Date
Journal Title
Journal ISSN
Volume Title
Publisher
Instituto Federal de Educação, Ciência e Tecnologia do Piauí
Resumo
O câncer bucal permanece como um dos principais desafios na saúde pública, especialmente em países em desenvolvimento, onde a detecção tardia contribui significativamente para a alta mortalidade associada à doença. Métodos automatizados baseados em Visão Computacional e Aprendizado Profundo têm demonstrado grande potencial no auxílio ao diagnóstico precoce, oferecendo suporte objetivo à avaliação clínica. Neste trabalho, investigou-se o desempenho de três arquiteturas convolucionais pré-treinadas amplamente consolidadas na literatura, DenseNet121, GoogLeNet e ResNet18, aplicadas à classificação binária de imagens clínicas da cavidade oral, utilizando um conjunto público contendo 950 amostras. O estudo emprega transfer learning e validação cruzada com 5 folds, permitindo uma análise da capacidade de generalização dos modelos. Os resultados indicam que todas as arquiteturas alcançaram métricas médias superiores a 0,92, incluindo acurácia, precisão, recall, F1-score e área sob a curva Característica de Operação do Receptor, em todas as abordagens avaliadas. Embora a DenseNet121 tenha registrado as maiores médias pontuais entre os modelos (F1-score = 0,9476), a sobreposição das faixas de variação baseadas no desvio-padrão impede afirmar diferenças estatisticamente significativas de desempenho entre as arquiteturas. Os achados reforçam o potencial das redes neurais convolucionais como ferramentas complementares no processo de triagem de lesões orais, apontando para a viabilidade da abordagem em cenários clínicos.
Description
Keywords
aprendizado profundo, deep learning, visão computacional, computer vision, câncer oral, oral cancer, redes neurais convolucionais, convolutional neural networks