Detecção de câncer de pele com redes neurais convolucionais

Palavras-chave

cancer de pele, inteligencia artificial, redes neurais, aprendizado de máquina, python, dermatologia

Resumo Científico

O diagnóstico precoce do câncer de pele é notável para o sucesso do tratamento e a redução da mortalidade. A dermatoscopia, técnica que utiliza um dermatoscópio para visualizar lesões cutâneas com maior aumento, auxilia na avaliação clínica, porém a análise manual por dermatologistas pode ser subjetiva e propensa a erros. Nesse contexto, a inteligência artificial emerge como uma ferramenta promissora para auxiliar no diagnóstico, através da classificação automatizada de lesões cutâneas. Este estudo propõe uma abordagem otimizada para o treinamento de redes neurais convolucionais (CNNs) na classificação de lesões cutâneas. O objetivo principal é aprimorar a precisão do modelo e reduzir o tempo de treinamento, visando uma metodologia eficiente para o treinamento de CNNs. Entre os objetivos específicos, pode-se destacar a utilização da técnica ReduceLROnPlateau para otimizar o treinamento do modelo, além do uso de um grande conjunto de dados, o HAM10000, que contém mais de 10 mil imagens dermatoscópicas de lesões cutâneas. A metodologia adotada envolve o pré-processamento dos dados, com técnicas de aumento e balanceamento para melhorar a qualidade do treinamento. O estudo também utiliza a plataforma Google Colab para a construção dos modelos e a realização de experimentos. A arquitetura da CNN foi elaborada com várias camadas de convolução e pooling, além de técnicas para evitar overfitting, como BatchNormalization e Dropout. Nos resultados, o modelo desenvolvido atingiu uma acurácia de 92,64% no conjunto de validação e 79,5% no conjunto de teste, demonstrando a eficiência da abordagem proposta. Em particular, houve uma alta precisão na identificação de Nevos Melanocíticos, que representam uma das classes mais frequentes no conjunto de dados.