Classificação de pneumonia em radiografias pediátricas com deep learning e inteligência artificial explicável: uma análise comparativa entre as arquiteturas ResNet50 e YOLOv11s-cls.
Resumo
A pneumonia é uma das principais causas de morbimortalidade infantil no mundo, e o diagnóstico precoce por meio de radiografias torácicas é essencial para reduzir complicações clínicas. Nesse contexto, o uso de técnicas de aprendizado profundo tem se mostrado promissor como ferramenta de apoio ao diagnóstico médico. Este trabalho propõe uma análise comparativa entre os modelos YOLOv11s-cls e ResNet50 aplicados à classificação binária de pneumonia em radiografias torácicas pediátricas, utilizando o Pediatric Pneumonia Chest X-ray Dataset, composto por 5.856 imagens divididas nas classes Normal e Pneumonia. Ambos os modelos foram treinados com pesos pré-treinados na base de dados ImageNet por meio da estratégia de transfer learning progressivo em duas fases, combinada com técnicas de data augmentation e balanceamento por class weights para mitigar o desbalanceamento entre as classes. A avaliação de desempenho foi realizada por meio de métricas como acurácia, precisão, recall, F1-score e AUC-ROC. Adicionalmente, foi aplicada a técnica de Inteligência Artificial Explicável Gradient-weighted Class Activation Mapping para investigar a explicabilidade dos modelos, identificando as regiões das radiografias que mais influenciaram as predições. Os resultados demonstraram que ambos os modelos alcançaram desempenho elevado, com valores de AUC-ROC superiores a 0,99. A ResNet50 obteve desempenho superior em todas as métricas avaliadas.