Sistema inteligente para apoio ao diagnóstico de câncer de pele e hanseníase usando análise digital de imagens e redes neurais artificiais profundas

O uso de inteligência artificial cresce continuamente em diversos setores, e no setor da saúde não é diferente. Aplicações de inteligência computacional ajudam aos profissionais da saúde no processo de diagnóstico, permitindo que este seja mais rápido e mais confiável. Segundo a Organização Mundial da Saúde (OMS), as doenças negligenciadas são aquelas doenças endêmicas que ocorrem em regiões subdesenvolvidas e que não possuem apelo suficiente para receberem investimentos do Estado ou do mercado. O Brasil é um dos países com mais casos de hanseníase, esta sendo uma das doenças classificadas como negligenciadas, chegando a uma taxa de detecção geral de novos casos de 13,23 por 100 mil habitantes em 2019. Com uma realidade diferente, mas também preocupante, o câncer é tido como uma das principais causas de morte e uma importante barreira para o aumento da expectativa de vida em todos os países do mundo. No Brasil, para cada ano do triênio 2020-2022 estima-se 625 mil novos casos de câncer, sendo o câncer de pele não melanoma o de maior incidência (177 mil). Este trabalho busca contribuir na detecção precoce da hanseníase e do câncer de pele com a criação de uma estrutura de apoio ao diagnóstico utilizando redes neurais artificiais profundas para extração de atributos, combinado a um algoritmo de classificação, de modo a reconhecer as doenças em imagens com lesões de pele. A fim de uma maior assertividade, foram propostos 7 diferentes cenários de experimentos envolvendo as doenças citadas, levando em conta tanto aspectos computacionais quanto relatos de profissionais da saúde. Foram analisadas as redes profundas LeNet, SqueezeNet, NASNetMobile, ResNet50 e Inception v3 combinadas a diversas configurações do classificador Random Forest. Com base nas métricas de avaliação definidas, observou-se que a arquitetura Inception v3 é aquela que normalmente gera melhores resultados e que, considerando um trade off entre performance e custo computacional, a configuração apropriada para o classificador é aquela com 100 árvores. Como consequência disso, o objetivo da pesquisa foi atingido, chegando em um eficiente sistema de apoio ao diagnóstico por imagem e não invasivo da hanseníase e do câncer de pele adaptado à realidade do Brasil.

English Abstract:

The use of artificial intelligence is continuously growing in various industries, including healthcare. Computational intelligence applications help healthcare professionals in the diagnostic process, and are faster and more reliable. According to the World Health Organization (WHO), neglected diseases are infectious diseases common in low-income populations in developing regions that do not have sufficient appeal to receive government or market investments. One of the diseases classified as neglected is Hansen’s disease, with Brazil being one of the countries with the most cases, reaching an overall new cases detection rate of 13.23 per 100,000 inhabitants in 2019. With a different reality, but also worrying, cancer is considered one of the leading causes of death and a critical barrier to increasing world life expectancy. In Brazil, for each year of the triennium 2020-2022, there will be an estimated 625 thousand new cancer cases, with non-melanoma skin cancer being the one with the highest incidence (177 thousand). This study aims to contribute to the early detection of Hansen’s disease and skin cancer by creating a clinical decision support system using deep neural networks for feature extraction, combined with a classification algorithm, to recognize diseases by analyzing skin lesion images. To be more assertive, we proposed seven different experimental scenarios, considering both computational aspects and reports from healthcare professionals. We investigated the deep neural networks LeNet, SqueezeNet, NASNetMobile, ResNet50, and Inception v3 combined with different hyperparameters of the Random Forest classifier. Based on the defined evaluation metrics, we observed that the deep neural network Inception v3 usually generates better results and that, considering a trade-off between performance and computational cost, the appropriate configuration for the classifier is one with 100 trees. As a result, we achieved the research objective, arriving at an efficient clinical decision support system for the imaging and non-invasive diagnosis of Hansen’s disease and skin cancer adapted to the reality of Brazil.