Aplicação de redes neurais convolucionais para auxiliar o diagnóstico de pneumonia viral e bacteriológica em imagens de raio-X
Autor: Felipe dos Santos Vieira (Currículo Lattes)
Resumo
O diagnóstico preciso de pneumonia com base em imagens médicas é fundamental para a melhoria da saúde pública. Este trabalho propõe um modelo de classificação de pneumonia como um auxílio ao diagnóstico médico, utilizando redes neurais convolucionais, especificamente a arquitetura baseada no modelo VGG16, combinada com camadas densas adicionais. O modelo foi treinado e avaliado em um conjunto de imagens de raios-X da região torácica de crianças, jovens e adultos, utilizando o algoritmo de otimização SGD e a função de perda categorical crossentropy. Técnicas como early stopping e model checkpoint foram empregadas para evitar sobreajuste. Os resultados alcançaram uma acurácia de 84%, sensibilidade de 83,0% e especificidade de 83,8%, com uma área sob a curva ROC (AUC) de 83,9% para a classificação de pneumonia versus normal. Apesar de os valores serem ligeiramente inferiores aos de estudos, os resultados são competitivos e demonstram a eficácia do modelo em condições reais. Além disso, o trabalho destaca a importância de utilizar conjuntos de dados públicos para fomentar a inovação e o desenvolvimento de algoritmos de aprendizado de máquina na área médica. Por fim, foi realizada uma análise comparativa com outros estudos da literatura, evidenciando as contribuições e limitações do modelo proposto, bem como possíveis direções para pesquisas futuras.