Métodos de visão computacional para classificação de radiografias de pacientes com e sem tuberculose

Abstract

A tuberculose permanece como um importante problema de saúde pública mundial, sendo o diagnóstico precoce fundamental para reduzir a transmissão da doença e melhorar os desfechos clínicos. Nesse contexto, técnicas de inteligência artificial têm sido empregadas como ferramentas de apoio à interpretação de radiografias de tórax, contribuindo para o rastreamento automatizado da doença. Este trabalho teve por objetivo desenvolver e avaliar modelos de aprendizado profundo para a classificação automática de radiografias de tórax em três categorias: Saudável, Doente e Tuberculose. Para isso, foi utilizada uma versão adaptada do conjunto de dados público TBX11K, composta por 8.400 imagens, distribuídas em conjuntos de treinamento, validação e teste. Foram avaliadas arquiteturas EfficientNet-B3, ResNet101 e Vision Transformer, além da influência de estratégias de data augmentation e redimensionamento das imagens. Os resultados demonstraram elevado desempenho para todos os modelos analisados, com acurácia superior a 97% e F1-score macro acima de 97%. O modelo Vision Transformer sem aumento de dados apresentou o melhor desempenho global, alcançando acurácia de 99,17% e F1-score macro de 98,57%, enquanto o EfficientNet-B3 obteve os maiores valores de ROC-AUC macro (99,83%) e PR-AUC macro (99,33%). Observou-se ainda que a maioria dos erros de classificação da tuberculose ocorreu pela confusão com outras doenças pulmonares, sendo rara a classificação incorreta como indivíduo saudável. Os resultados indicam que modelos de aprendizado profundo possuem elevado potencial para aplicação como ferramenta de apoio à triagem de tuberculose em radiografias de tórax, embora estudos com validação externa sejam necessários para confirmar sua capacidade de generalização.

Tuberculosis remains a major global public health challenge, and early diagnosis is essential to reduce disease transmission and improve clinical outcomes. In this context, artificial intelligence techniques have been increasingly applied as decision-support tools for chest radiograph interpretation, contributing to automated disease screening. This study aimed to develop and evaluate deep learning models for the automatic classification of chest X-ray images into three categories: Healthy, Non-Tuberculosis Disease, and Tuberculosis. An adapted version of the public TBX11K dataset, containing 8,400 images, was used and divided into training, validation, and test sets. EfficientNet-B3, ResNet101, and Vision Transformer architectures were evaluated, as well as the effects of data augmentation and image resizing strategies. The results demonstrated high performance for all evaluated models, achieving accuracy above 97% and macro F1-score above 97%. The Vision Transformer model without data augmentation achieved the best overall performance, with 99.17% accuracy and a macro F1-score of 98.57%, whereas EfficientNet-B3 obtained the highest macro ROC-AUC (99.83%) and macro PR-AUC (99.33%) values. Most tuberculosis classification errors corresponded to confusion with other pulmonary diseases, while misclassification as healthy individuals was rare. These findings suggest that deep learning models have strong potential as support tools for tuberculosis screening using chest radiographs. Nevertheless, external validation studies involving different populations and clinical settings are still required to assess their generalizability.