Retinal Malady Classification using AI: A novel ViT-SVM combination architecture

Título: Classificação de Doenças Retinianas usando IA: Uma Nova Arquitetura Híbrida ViT-SVM

1. Problema e Motivação

O artigo aborda a necessidade crítica de detecção precoce e classificação automatizada de três doenças retinianas prevalentes que causam perda parcial ou total da visão:

• Buracos Maculares (Macular Holes): Aberturas no centro foveal da retina.
• Retinopatia Central Serosa (Central Serous Retinopathy): Descolamento seroso na retina neurosensorial.
• Retinopatia Diabética (Diabetic Retinopathy): Doença microvascular associada ao diabetes.

O diagnóstico tradicional depende da análise manual por médicos, o que pode ser lento e sujeito a variações. Embora existam abordagens baseadas em Redes Neurais Convolucionais (CNNs) e Aprendizado de Transferência, elas frequentemente enfrentam desafios como alto custo computacional, necessidade de grandes conjuntos de dados ou desempenho comprometido ao reduzir o tamanho do modelo. Além disso, a classificação de imagens OCT (Tomografia de Coerência Óptica) é dificultada pela escala de cores e intensidade dos dados.

2. Metodologia

Os autores propõem uma arquitetura híbrida inovadora que combina a eficiência de atenção dos Transformers de Visão (ViT) com a robustez de classificação de vetores de suporte (SVM).

• Conjunto de Dados:

  • Utilizou-se um conjunto de dados público da Universidade de Waterloo contendo 517 imagens OCT-B (resolução original 750x500).
  • As imagens foram divididas em 4 classes: Normal (206), Retinopatia Diabética (107), Retinopatia Central Serosa (102) e Buraco Macular (102).
  • Pré-processamento: Redimensionamento para 256x256, aumento de dados (data augmentation) com rotações e espelhamentos aleatórios via ImageDataGenerator do Keras.

• Arquiteturas Comparadas:

  1. VGG-16: Modelo CNN clássico pré-treinado no ImageNet, utilizado como baseline tradicional.
  2. Vision Transformer (ViT) Puro: Arquitetura ViT-B32 (Base com patches de 32x32). As imagens são divididas em patches, convertidos em tokens com embeddings de posição, processados por um Encoder Transformer (com Multi-Head Self-Attention e MLP) e finalizados por uma camada densa com Softmax.
  3. Arquitetura Proposta (ViT-SVM): Um modelo híbrido onde:
     • O ViT-B32 atua como extrator de características.
     • A saída do ViT é refinada por duas camadas densas (uma com 64 neurônios e outra com 4 neurônios).
     • Em vez de uma camada final de classificação puramente baseada em redes neurais, utiliza-se uma camada final configurada para otimização via SVM (Support Vector Machine).
     • Configurações: Regularização L2 (0.01), função de perda Squared Hinge, otimizador Adam e ativação Softmax na saída final.

• Ambiente de Treinamento: TensorFlow-GPU v2, Keras, processado em CPU AMD Ryzen 5 3600 e GPU Nvidia 1660ti, por 50 épocas.

3. Contribuições Principais

• Inovação Híbrida: É uma das primeiras aplicações de uma combinação ViT-SVM para classificação de doenças retinianas em imagens OCT, explorando a capacidade do ViT de capturar dependências de longo alcance (atenção global) e a eficiência do SVM em espaços de alta dimensão e com conjuntos de dados menores.
• Superação de Limitações de CNNs: Demonstra que arquiteturas baseadas em Transformers podem superar modelos CNNs clássicos (como VGG-16) em tarefas de diagnóstico médico com menor custo computacional relativo e melhor generalização.
• Abordagem para Dados Limitados: A combinação ViT-SVM mostrou-se eficaz para lidar com um conjunto de dados de tamanho moderado (517 imagens), onde modelos puramente profundos poderiam sofrer de overfitting.

4. Resultados

O desempenho foi avaliado usando Precisão, Recall e Acurácia Global:

• Comparação: O modelo híbrido superou o ViT puro em 6% e o VGG-16 em 11% em termos de acurácia global.
• Matriz de Confusão: O modelo ViT-SVM demonstrou a menor taxa de erro entre classes, indicando uma melhor capacidade de distinguir as nuances entre as patologias.

5. Significado e Conclusão

O estudo conclui que as arquiteturas baseadas em Transformers são superiores às CNNs tradicionais para a classificação de imagens médicas OCT, especialmente quando combinadas com algoritmos de aprendizado de máquina clássicos como o SVM.

A integração ViT-SVM oferece um equilíbrio ideal entre a extração de características complexas (via atenção) e a tomada de decisão robusta (via SVM), resultando em um sistema de diagnóstico automatizado mais preciso e eficiente. Os autores sugerem que trabalhos futuros devem focar no ajuste fino (fine-tuning) dessas arquiteturas e na expansão da qualidade e quantidade dos conjuntos de dados para validação clínica mais ampla.