Aplicação de Visão Computacional na Saúde: do Desenvolvimento Farmacêutico ao Diagnóstico Clínico

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.