Apoio ao diagnóstico da hanseníase por meio de redes neurais profundas

Abstract

A hanseníase ainda representa um desafio global de saúde pública, com mais de 200.000 novos casos relatados anualmente em todo o mundo, de acordo com a Organização Mundial da Saúde (OMS). O diagnóstico precoce e preciso é crucial para controlar a disseminação da doença, bem como para prevenir complicações e sequelas em pacientes. Este projeto buscou aprimorar o diagnóstico da hanseníase por meio da aplicação de redes neurais profundas (RNPs) em imagens dermatológicas. Foram utilizadas três arquiteturas de RNPs, a VGG16, a ResNet50 e a InceptionV3, treinadas e avaliadas em um conjunto de dados composto por imagens de pacientes com diferentes formas clínicas de hanseníase: tuberculoide, lepromatosa e borderline. A partir dos resultados, observou-se que a arquitetura InceptionV3, otimizada com o algoritmo Adam e uma taxa de aprendizado de 0.001, obteve a melhor acurácia de 90.58%, precisão de 90.95% e sensibilidade de 90.13% no diagnóstico da hanseníase. Esses resultados demonstram o potencial das RNPs na classificação de imagens dermatológicas e podem contribuir significativamente para o diagnóstico precoce e preciso dessa doença.