Título: Modelo Baseado em DenseNet121 para Detecção de Múltiplas Patologias em Raios -X de Tórax
Autores: Kevin Henrique Monfredini Silva, Laura Ribeiro Bernardino, Matheus Brendon Francisco & Matheus Costa Pereira
Resumo: O diagnóstico de patologias torácicas por meio de radiografias de tórax é uma tarefa complexa que demanda tempo e conhecimento especializado de radiologistas. A aplicação de modelos de Aprendizagem Profunda, particularmente as Redes Neurais Convolucionais (CNNs), tem demonstrado grande potencial para automatizar e auxiliar neste processo. Este artigo apresenta o desenvolvimento e a validação de um modelo baseado na arquitetura DenseNet121, com a incorporação de mecanismos de atenção (CBAM), para a classificação de 14 patologias no conjunto de dados público NIH Chest X-ray. Visando superar as limitações do severo desbalanceamento de classes, o modelo foi treinado no conjunto de dados completo, contendo mais de 112.000 imagens. Crucialmente, a avaliação final foi conduzida em um conjunto de teste de 810 radiografias, cujos rótulos, disponibilizados no trabalho de Nabulsi et al. (2021), foram definidos por um painel de cinco radiologistas norte-americanos certificados, garantindo um padrão de alta confiabilidade para a avaliação. O modelo final alcançou uma AUC Média de 0,8543 e um F1-Score Macro de 0,3912. Notavelmente, a abordagem demonstrou capacidade de detectar patologias extremamente raras, como Hérnia, com um F1-Score de 0,667 e uma AUC de 0,999. Os resultados demonstram que a escala dos dados de treinamento, aliada a uma validação rigorosa contra um padrão de referência de especialistas, é um fator determinante para o desenvolvimento de sistemas de diagnóstico automatizado mais robustos e clinicamente relevantes.
Palavras-chave: Chest X-ray; Deep Learning; DenseNet121; Multilabel Classification; Computer-Aided Diagnosis.
Páginas: 6
Código DOI: 10.21528/CBIC2025-1176362
Artigo em PDF: CBIC_2025_paper1176362.pdf
Arquivo BibTeX:
CBIC_2025_1176362.bib