Retinal Disease Classification from Fundus Images using CNN Transfer Learning

Resumo Técnico: Classificação de Doenças Retinianas via Transferência de Aprendizado

1. Problema e Contexto
As doenças retinianas são uma das principais causas evitáveis de deficiência visual e cegueira globalmente, especialmente em países em desenvolvimento com acesso limitado a especialistas. O diagnóstico tradicional depende de exames manuais de imagens de fundo de olho (fundus) por oftalmologistas, um processo que é demorado, custoso e sujeito a variabilidade entre observadores.
O objetivo deste estudo é desenvolver um sistema de triagem automatizado capaz de realizar a classificação binária de risco de doenças retinianas (Normal vs. Doente) a partir de imagens de fundo de olho, visando expandir o acesso ao diagnóstico precoce e reduzir a carga diagnóstica clínica.

2. Metodologia
O estudo foi conduzido utilizando um conjunto de dados público do Kaggle contendo 3.200 imagens de fundo de olho, divididas em conjuntos de treinamento (1.920), validação (640) e teste (640). As imagens foram pré-processadas e o problema foi formulado como uma classificação binária baseada na etiqueta "Disease Risk" (Risco de Doença).

Foram implementadas e comparadas duas abordagens experimentais distintas:

• Abordagem 1: CNN Baseline (Rede Neural Convolucional Simples)

  • Pré-processamento: Redimensionamento das imagens para baixa resolução (64x64 pixels) e normalização de pixels.
  • Arquitetura: Uma CNN leve com duas camadas convolucionais (32 e 64 filtros), camadas de MaxPooling, uma camada totalmente conectada (128 neurônios) e uma camada de saída com ativação Sigmoid.
  • Treinamento: 10 épocas, sem aumento de dados (data augmentation) e sem ponderação de classes.
  • Objetivo: Estabelecer uma linha de base de desempenho com arquitetura simples e baixa complexidade computacional.

• Abordagem 2: Transferência de Aprendizado com VGG16

  • Pré-processamento: Imagens em alta resolução (254x254 pixels) e normalização.
  • Aumento de Dados: Aplicação de flutuação horizontal e vertical para melhorar a generalização.
  • Arquitetura: Utilização do backbone do VGG16 pré-treinado no ImageNet (camadas convolucionais congeladas) seguido de camadas densas personalizadas (500 e 100 neurônios) e uma camada de saída Softmax.
  • Tratamento de Desequilíbrio: Aplicação de pesos de classe (class weighting) para mitigar o viés em relação à classe majoritária (Normal).
  • Treinamento: 5 épocas, otimizador Adam e função de perda Categorical Cross-Entropy.

3. Principais Contribuições

• Comparação Empírica Direta: O estudo oferece uma comparação rigorosa entre uma CNN treinada do zero em baixa resolução e um modelo de transferência de aprendizado em alta resolução, mantendo a reprodutibilidade estrita (todos os resultados correspondem exatamente às execuções do código).
• Estratégia de Triagem Binária: Foca na utilidade clínica de um sistema de triagem (doente vs. não doente) em vez de classificação multiclasse complexa, alinhando-se com a necessidade de referenciamento rápido em clínicas.
• Transparência Metodológica: O artigo enfatiza a reprodutibilidade, detalhando hiperparâmetros, configurações de aumento de dados e métricas sem inferências não executadas.

4. Resultados

• Desempenho da CNN Baseline:
  • Acurácia no teste: 83,1%.
  • AUC-ROC: ~0,81.
  • Limitações: Arquitetura rasa e falta de aumento de dados limitaram a capacidade de extração de características complexas.
• Desempenho do Modelo VGG16 (Transfer Learning):
  • Acurácia no teste: 90,8%.
  • F1-score Ponderado: 0,90.
  • Desempenho por Classe:
    • Classe Normal: Alta precisão (0,91) e recall (0,98), indicando excelente especificidade.
    • Classe Doente: Precisão de 0,88, mas Recall de 0,65.
  • Análise de Curva ROC: Ambos os classes apresentaram AUC de 0,81, demonstrando discriminação estável e superior à classificação aleatória.

5. Significância e Discussão

• Superioridade da Transferência de Aprendizado: Os resultados confirmam que a transferência de aprendizado, combinada com imagens de maior resolução e tratamento de desequilíbrio de classes, supera significativamente o treinamento de CNNs do zero em conjuntos de dados médicos limitados.
• Desafio do Recall na Classe Minoritária: Embora a acurácia global seja alta, o recall de 65% para a classe "Doente" revela que 35% dos casos patológicos foram classificados erroneamente como normais. Isso destaca o desafio crítico em sistemas de triagem, onde a falta de sensibilidade pode levar a diagnósticos perdidos.
• Implicações Clínicas: O modelo demonstra potencial como uma ferramenta de triagem assistiva (devido à alta especificidade e baixo custo computacional relativo), mas não deve ser usado como sistema de diagnóstico autônomo sem otimizações adicionais para aumentar a sensibilidade.
• Futuro: O artigo sugere que trabalhos futuros devem focar na otimização de limiares de decisão, uso de Focal Loss ou GANs para lidar com o desequilíbrio, fine-tuning de camadas profundas e validação externa em conjuntos de dados independentes para garantir generalização.

Em conclusão, o estudo valida a eficácia de arquiteturas CNN pré-treinadas (como VGG16) para a detecção automatizada de riscos de doenças retinianas, oferecendo um caminho viável para sistemas de apoio à decisão clínica, desde que as limitações de sensibilidade em casos raros ou sutis sejam abordadas.