Aprendizado profundo explicável com mecanismo de atenção para detecção de displasia epitelial oral em leucoplasias: desenvolvimento de uma ferramenta educacional

Abstract

O câncer de boca é uma das neoplasias malignas mais prevalentes, frequentemente precedido por lesões orais potencialmente malignas, como a leucoplasia. A displasia epitelial oral (OED) é uma condição histopatológica de risco aumentado para transformação maligna, cuja detecção e classificação em graus de severidade apresenta elevada subjetividade, resultando em inconsistências diagnósticas. Nos últimos anos, técnicas de inteligência artificial têm sido exploradas para auxiliar na detecção e classificação da OED, embora a falta de interpretabilidade dos modelos e a escassez de aplicações educacionais permaneçam como lacunas significativas na literatura. Nesse contexto, este trabalho propõe o desenvolvimento de uma plataforma educacional baseada em aprendizado profundo explicável com mecanismo de atenção para auxiliar estudantes de pós-graduação em patologia bucal. O sistema integra imagens histopatológicas e dados clínicos de pacientes diagnosticados com leucoplasia para detecção de OED. Técnicas de explicabilidade baseadas em mapas de calor são empregadas para destacar as regiões histológicas mais relevantes para a decisão do modelo, sendo essas regiões validadas por comparação sistemática com anotações de patologistas especialistas. Os resultados obtidos são equiparáveis ao estado da arte, com F1-score de 0,92 e AUC de 0,94. Um estudo de caso com estudantes de pós-graduação demonstrou que as informações de apoio fornecidas pela ferramenta aumentaram a acurácia do processo de classificação de 0,63 ± 0,09 para 0,82 ± 0,14 (p < 0,01) e a especificidade de 0,46 ± 0,22 para 0,78 ± 0,26 (p < 0,01) ? sugerindo seu potencial pedagógico. A plataforma desenvolvida integra predições, valores de confiabilidade e mapas de atenção, promovendo um aprendizado ativo e visualmente orientado em patologia bucal.

Abstract: Oral cancer is one of the most prevalent malignant neoplasms, frequently preceded by potentially malignant oral lesions such as leukoplakia. Oral epithelial dysplasia (OED) is a histopathological condition with an increased risk of malignant transformation, whose detection and classification into severity grades presents high subjectivity, resulting in diagnostic inconsistencies. In recent years, artificial intelligence techniques have been explored to assist in the detection and classification of OED, although the lack of interpretability of the models and the scarcity of educational applications remain significant gaps in the literature. In this context, this work proposes the development of an educational platform based on explainable deep learning with attention mechanism to assist postgraduate students in oral pathology. The system integrates histopathological images and clinical data from patients diagnosed with leukoplakia for the detection of OED at the clinical case level. Explainability techniques based on heatmaps are employed to highlight the most relevant histological regions for the model?s decision, these regions being validated by systematic comparison with annotations from expert pathologists. The results obtained are comparable to the state of the art, with an F1-score of 0.92 and an AUC of 0.94. A case study with postgraduate students demonstrated that the supporting information provided by the tool increased the accuracy of the classification process from 0.63 ± 0.09 to 0.82 ± 0.14 (p < 0.01) and the specificity from 0.46 ± 0.22 to 0.78 ± 0.26 (p < 0.01) ? suggesting its pedagogical potential. The developed platform integrates predictions, confidence scores, and attention maps, promoting active and visually oriented learning in oral pathology.