Deep Learning CNN for Pneumonia Detection: Advancing Digital Health in Society 5.0

Resumo Técnico: Detecção de Pneumonia via Deep Learning CNN para a Saúde Digital na Sociedade 5.0

1. Problema
A pneumonia permanece como uma das principais causas de morbidade e mortalidade global, afetando desproporcionalmente crianças, idosos e pacientes imunocomprometidos, especialmente em países em desenvolvimento com recursos limitados. O diagnóstico precoce é crucial, mas depende fortemente da interpretação de radiografias de tórax (CXR) por radiologistas, o que introduz variabilidade e erros de diagnóstico. Além disso, muitas soluções atuais de Inteligência Artificial (IA) dependem de técnicas complexas de pré-processamento de imagem (como equalização de histograma dinâmica), que podem gerar artefatos ou ruído, comprometendo a confiabilidade clínica e a viabilidade em ambientes com poucos recursos.

2. Metodologia
O estudo desenvolveu e avaliou um modelo de Rede Neural Convolucional (CNN) para classificação binária de imagens de raio-X de tórax (Normal vs. Pneumonia), sem depender de técnicas de pré-processamento complexas além da normalização e aumento de dados.

• Dataset: Utilizou-se o Chest X-ray Pneumonia Dataset do Kaggle, contendo 5.863 imagens de crianças (1–5 anos) do Centro Médico de Mulheres e Crianças de Guangzhou, China.
  • Divisão: 5.216 imagens para treinamento, 16 para validação e 624 para teste.
• Pré-processamento:
  • Conversão para escala de cinza e redimensionamento para 128x128 pixels.
  • Normalização dos valores de pixel para o intervalo [0, 1].
  • Aumento de Dados (Data Augmentation): Aplicado apenas no conjunto de treinamento para reduzir overfitting, incluindo rotação aleatória (±30°), zoom (até 20%), flip horizontal e deslocamento de largura/altura.
• Arquitetura do Modelo CNN:
  • Dois blocos convolucionais com 64 e 128 filtros, seguidos por camadas de max pooling 2x2.
  • Camada Flatten, seguida por uma camada densa com 128 neurônios (ativação ReLU) e dropout de 0,5.
  • Camada de saída com 1 neurônio e ativação sigmoid para classificação binária.
• Treinamento:
  • Otimizador: Adam (taxa de aprendizado inicial de 0,001).
  • Função de Perda: Binary Cross-Entropy.
  • Estratégias: Uso de callback ReduceLROnPlateau e treinamento em 10, 20 e 50 épocas para análise de convergência.
• Métricas de Avaliação: Acurácia, Precisão, Recall, F1-Score, Curva ROC (AUC) e Curva Precision-Recall (PR-AUC).

3. Contribuições Principais

• Simplificação do Fluxo de Trabalho: Demonstrou que uma CNN bem projetada pode atingir alta acurácia diagnóstica sem a necessidade de técnicas de pré-processamento de imagem complexas (como equalização de histograma), evitando a introdução de artefatos que prejudicam a interpretação clínica.
• Eficiência em Recursos Limitados: O modelo é leve e robusto, sendo altamente relevante para ambientes de saúde com escassez de radiologistas e infraestrutura computacional limitada.
• Validação de Desempenho: Identificou que 20 épocas de treinamento são suficientes para atingir o equilíbrio ótimo entre sensibilidade e especificidade, evitando o overfitting observado em épocas excessivas (50 épocas).
• Alinhamento com a Sociedade 5.0: O estudo posiciona a IA como uma ferramenta integradora para melhorar a acessibilidade e a eficiência dos serviços de saúde, apoiando a visão de uma sociedade centrada no ser humano através da tecnologia.

4. Resultados
O modelo foi avaliado em um conjunto de teste independente de 624 imagens. Os resultados destacam-se da seguinte forma:

• Melhor Desempenho: O modelo treinado por 20 épocas alcançou a maior acurácia de teste de 91,67%.
• Métricas Detalhadas (20 épocas):
  • Classe Normal: Precisão 0,91, Recall 0,97, F1-Score 0,94.
  • Classe Pneumonia: Precisão 0,94, Recall 0,83, F1-Score 0,88.
  • Nota: Houve uma tendência de subdiagnóstico (falsos negativos) na classe Pneumonia, comum em conjuntos de dados desbalanceados, mas o modelo manteve alta especificidade.
• Capacidade Discriminativa:
  • ROC-AUC: 0,96 (indicando excelente capacidade de separação entre classes).
  • PR-AUC: 0,95.
• Comparação: O modelo proposto superou ou foi competitivo com estudos anteriores (como Liang & Zheng, 2020 e modelos DenseNet121), especialmente considerando sua simplicidade e ausência de pré-processamento pesado.

5. Significado e Conclusão
O estudo confirma que arquiteturas CNN otimizadas, combinadas com normalização e aumento de dados, são ferramentas poderosas para o diagnóstico assistido por computador (CAD) de pneumonia. A principal inovação reside na demonstração de que a complexidade do pré-processamento não é um requisito obrigatório para alta precisão, o que facilita a implementação em sistemas de saúde reais, especialmente em regiões com poucos recursos.

Os resultados apoiam a integração da IA na prática clínica para fornecer diagnósticos rápidos, consistentes e confiáveis, reduzindo a carga sobre os radiologistas e mitigando erros humanos. O trabalho sugere futuras expansões para datasets mais diversos (demografia e etiologia) e a integração direta com sistemas de informação hospitalar para validação clínica em tempo real.