Tecnologia

ESTUDO COMPARATIVO DE ARQUITETURAS DEEP LEARNING COM ANÁLISE DE GENERALIZAÇÃO ENTRE DOMÍNIOS

samara ruiz silva; Leticia Victoria Castellani Garbellini

faculdade donaduzzi

Resumo

Este trabalho apresenta o desenvolvimento e avaliação comparativa de um sistema de triagem automatizada para Retinopatia Diabética baseado em visão computacional e Deep Learning. Três arquiteturas foram avaliadas em ciclos progressivos — EfficientNet-B0, EfficientNet-B4 e ResNet-50 —, com o melhor resultado obtido pelo ResNet-50 treinado em 143.687 imagens: Kappa Quadrático 0,8918 e AUC-ROC 0,9721. A análise de domain shift revelou queda de F1-Macro de 0,8948 para 0,3761 ao testar o modelo na distribuição epidemiológica real (No DR: 73,5%), demonstrando que acurácia em dataset balanceado não prediz generalização real. Ciclos adicionais de mitigação identificaram que regularização excessiva por acumulação causa colapso classificatório e que fine-tuning a partir de modelo pré-treinado em dados diversificados maximiza robustez inter-domínio — Kappa 0,6460 no APTOS 2019 externo, melhor resultado inter-domínio do estudo. O sistema integra CLAHE, GradCAM, API REST e interface web de triagem, com custo estimado de R$ 1.350–4.000 (3%–9% do retinógrafo convencional), alinhado ao PPA Toledo 2026/2029 e ao Programa Bons Olhos Paraná.

Palavras-chave: Retinopatia Diabética; Deep Learning; Domain Shift; ResNet-50; Kappa Quadrático; Transfer Learning; Triagem; Atenção Primária à Saúde