Classificação de carcinoma ductal invasivo (IDC) em imagens histopatológicas utilizando redes neurais convolucionais

Abstract

A aplicação de técnicas de processamento e análise de imagens tem contribuído significativamente para o diagnóstico precoce e a classificação de doenças, em especial o câncer de mama. Entre as ferramentas mais eficazes nesse campo estão as redes neurais convolucionais (CNNs), que permitem a extração automática de características morfológicas relevantes em imagens histopatológicas, reduzindo a dependência da interpretação subjetiva dos patologistas. Neste estudo, investigou-se a capacidade de diferentes arquiteturas de CNNs para a classificação de imagens histopatológicas de câncer de mama, com foco específico no carcinoma ductal invasivo (IDC). Foi realizada uma comparação entre diversas técnicas de pré-processamento e conversão de espaços de cor, além do balanceamento do conjunto de dados, a fim de minimizar vieses decorrentes do desbalanceamento entre as classes. As CNNs foram avaliadas segundo métricas como acurácia, sensibilidade, especificidade e área sob a curva ROC (AUC). Também foi analisada a capacidade das redes em reconhecer padrões morfológicos indicativos de IDC, destacando seu potencial como ferramentas de apoio à decisão no diagnóstico médico. Os resultados obtidos foram comparados a outras abordagens de processamento de imagens, buscando identificar quais técnicas contribuíram de forma mais significativa para o aumento do desempenho do modelo. As CNNs apresentaram resultados consistentes na classificação de imagens histopatológicas, alcançando métricas satisfatórias e configurando-se como uma alternativa viável às metodologias convencionais de análise. Assim, este trabalho reforça a relevância da inteligência artificial aplicada à patologia digital, evidenciando as CNNs como uma tecnologia promissora para o suporte diagnóstico e prognóstico no câncer de mama.