|
Abstract:
|
A visão computacional e o aprendizado profundo têm demonstrado grande potencial
para automatizar tarefas críticas na saúde, desde etapas laboratoriais ligadas ao
desenvolvimento e controle de qualidade de fármacos até o apoio ao diagnóstico clínico.
Este trabalho integra dois estudos aplicados nesses domínios: (i) classificação de lesões
cutâneas (benignas vs. malignas) utilizando uma rede convolucional com backbone
ResNet18 modificado e mecanismos de atenção, implementada com TensorFlow/Keras;
e (ii) caracterização automática de cristais farmacêuticos (forma e densidade) por meio
de abordagens baseadas em CNNs, comparando estratégias multi-estágio e de estágio
único. No domínio dermatológico, foi desenvolvido um pipeline de pré-processamento e
aumento de dados específico para imagens médicas, com emprego do Grad-CAM para
geração de explicações visuais. Os experimentos no conjunto ISIC alcançou AUC-ROC
de 0,92, especificidade de 0,96, acurácia de validação de 88,12% e 99,42% no conjunto
de teste reportado. Para a caracterização de cristais (conjunto OpenCrystalData),
avaliou-se uma solução multi-etapa, obtendo-se 96,25% de acurácia em densidade e
82,50% em forma, e uma solução de estágio único com 92,50% de acurácia. Ao reunir
esses estudos, discutem-se técnicas comuns (arquiteturas, pré-processamento, métricas),
desafios transversais (desequilíbrio de classes, anotação, robustez a artefatos) e práticas
de MLOps para garantir reprodutibilidade e segurança em aplicações sensíveis na área
da saúde. |
