Comparação de diferentes arquiteturas de Deep Learning para a classificação de radiografias do tórax entre pacientes saudáveis e doentes.

Abstract

A radiografia torácica é o exame de imagem mais utilizado na medicina, avaliando a saúde do paciente. No entanto, a interpretação das imagens pode ser subjetiva, complexa e demorada, podendo comprometer a detecção acurada e em tempo hábil de anomalias e doenças. Como resultado, a Inteligência Artificial tem sido cada vez mais utilizada como uma ferramenta promissora para melhorar a precisão e a eficiência do diagnóstico. Neste contexto, o objetivo deste estudo é discutir o uso de redes neurais convolucionais (CNN) para a classificação de radiografias torácicas com o intuito de detectar anormalidades em pacientes. A pesquisa investiga a possibilidade de utilizar as CNNs para auxiliar a tarefa de triagem, avaliando o desempenho de 10 modelos diferentes de arquitetura para classificar as radiografias de tórax em dois grupos: saudáveis e doentes. Os resultados mostram que redes neurais mais rasas, como VGG16 e AlexNet, obtiveram o desempenho superior em relação às mais profundas. Assim, o projeto identifica as melhores arquiteturas para estudos futuros e sugere que o algoritmo pode apoiar a avaliação médica, direcionando a atenção do profissional para a área de interesse e reduzindo o tempo de diagnóstico. Embora o trabalho seja promissor, o uso destas redes em radiografias torácicas apresenta alguns desafios, como a necessidade de aumentar a base de dados e diminuir a presença de ruído nos rótulos.