Benchmarking de arquiteturas leves de deep learning para detecção de tuberculose em raio-X: análise de desempenho e custo computaciona

Abstract

A tuberculose continua sendo um desaĄo de saúde pública global, e métodos de inteligência artiĄcial aplicados à detecção automática em radiograĄas de tórax têm se mostrado promissores, possibilitando diagnósticos mais rápidos e precisos. Neste estudo, realiza-se um benchmarking de arquiteturas de redes neurais convolucionais para detecção de TB, com ênfase em modelos leves. Foram avaliadas as arquiteturas MobileNet, NASNetMobile e ResNet50 sobre um conjunto público de radiograĄas de tórax, dividido em 70% para treino, 10% para validação e 20% para teste. Adotou-se transfer learning com pesos pré-treinados no ImageNet e adaptação da saída multiclasse para classiĄcação binária. Dois regimes de treinamento foram considerados: (I) ajuste completo dos pesos de todas as camadas e (II) congelamento das camadas convolucionais, com treinamento apenas do topo da rede. Na abordagem (II), a MobileNet apresentou o melhor desempenho, com acurácia de 99,7% e área sob a curva ROC de 0,9998, mantendo baixo custo computacional. As demais arquiteturas também apresentaram resultados satisfatórios, com degradação de desempenho da ResNet50 quando utilizada apenas como extratora de características. Os achados sugerem que modelos leves podem ser empregados com sucesso na detecção de tuberculose em cenários com recursos computacionais limitados, conĄgurando uma alternativa viável para sistemas de apoio à decisão em contextos de baixo custo.