Dados do Trabalho

Título

Identificação de imagens de lesões cutâneas de doenças tropicais: desempenho de uma rede de aprendizagem profunda para auxiliar o diagnóstico dermatológico

Introdução

As lesões cutâneas apresentam-se de forma variada, desde eritematosas
planas ou elevadas, inflamatórias com formação de bolhas até úlceras que podem ser
únicas, múltiplas, disseminadas ou difusas. Essas lesões podem ser causadas por agentes
infecciosos (bactérias, fungos, protozoários) e doenças não infecciosas como úlcera
vascular e câncer de pele. A variedade de manifestações clínicas das lesões cutâneas
dificulta o diagnóstico. O exame dermatológico é fundamental para o diagnóstico
diferencial e uma ferramenta de identificação de imagens baseada em inteligência
artificial seria útil.

Objetivo (s)

Avaliar o desempenho de uma rede de aprendizagem profunda (AlexNet)
para identificação de imagens de lesões cutâneas não infecciosas e infecciosas causadas
por bactérias, protozoários e fungos.

Material e Métodos

Avaliamos imagens de pacientes atendidos no ambulatório de dermatologia
do Hospital Universitário de Brasília (2016-2022) e de um atlas dermatológico.
Obtivemos 825 imagens: 250 de leishmaniose cutânea, 200 de micoses (ex.
cromomicose, tínea), 212 de bacterioses (ex. piodermite, impetigo) e 163 de doenças
não infecciosas (ex. úlcera vascular, carcinoma). Usamos 80% das imagens para treinar
a AlexNet no software MATLAB, 10% para validação interna e 10% para teste. Calculamos a média da acurácia,
sensibilidade, especificidade e o intervalo de confiança de 95% (IC).

Resultados e Conclusão

A acurácia média da AlexNet para a identificação das lesões foi de 93,97%
(IC 86-97). O melhor desempenho foi observado para identificar lesões de doenças não
infecciosas, sensibilidade: 100% (IC 81-100), especificidade: 92,42% (IC 95% 83-96),
seguida de leishmaniose, sensibilidade: 100% (IC 86-100), especificidade: 91,37% (IC
81-96). A rede teve um bom desempenho para identificar lesões de micoses,
sensibilidade: 95% (IC 76-99), especificidade: 93,65% (IC 84-97) e o menor
desempenho foi para identificar lesões de bacterioses, sensibilidade: 80,95% (IC 59-92)
e especificidade: 98,38% (IC 91-99). A AlexNet apresentou ótimo desempenho para identificação de imagens de
lesões cutâneas não infecciosas e infecciosas causadas por protozoários, fungos e
bactérias. Entre as doenças infecciosas a sensibilidade da rede foi maior para as lesões
de leishmaniose. Os resultados contribuem para o desenvolvimento de um aplicativo
para incentivar a população a buscar atendimento e ainda auxiliar dermatologistas no
diagnóstico.

Palavras-chave

AlexNet; dermatologia; doenças negligenciadas.

Agradecimentos

CAPES.