Learnable Gabor and Wavelet Filters in Deep Learning for Mammographic Breast Cancer Classification: A Systematic Review

Resumo Técnico: Filtros de Gabor e Wavelet Aprendíveis em Aprendizado Profundo para Classificação de Câncer de Mama Mamográfico

Definição do Problema
Embora as Redes Neurais Convolucionais (CNNs) tenham avançado na análise mamográfica de câncer de mama, seus núcleos padrão aprendem representações genéricas que não são explicitamente ajustadas às assinaturas orientadas e multiescala específicas da malignidade, como margens espiculadas, distorção arquitetural e microcalcificações agrupadas. Além disso, a natureza de "caixa-preta" do aprendizado profundo impede a aceitação clínica, que exige suporte à decisão que seja tanto preciso quanto explicável. Embora a incorporação de operadores clássicos de processamento de sinais (filtros de Gabor para seletividade de orientação/frequência e transformadas wavelet para decomposição multirresolução) em redes profundas ofereça um caminho para a interpretabilidade e adaptação baseada em dados, esse paradigma não foi sistematicamente avaliado. Especificamente, há uma falta de evidências relativas à integração conjunta de operadores de Gabor e wavelet aprendíveis para estadiamento radiológico e patológico multiclasse.

Metodologia
Este estudo é uma revisão sistemática conduzida de acordo com a declaração PRISMA 2020.

• Estratégia de Busca: Os autores pesquisaram PubMed, Scopus, IEEE Xplore e Web of Science por estudos publicados entre janeiro de 2010 e maio de 2026. Os termos de busca combinaram operadores de processamento de sinais (filtros de Gabor, wavelet, filtros aprendíveis), paradigmas de aprendizado profundo (CNN, DenseNet) e aplicações clínicas (mamografia, câncer de mama, BI-RADS).
• Critérios de Seleção: 22 estudos atenderam aos critérios de elegibilidade. Estes incluíram:
  1. Estudos aplicando representações de Gabor ou wavelet diretamente a dados mamográficos.
  2. Estudos introduzindo ou refinando camadas de Gabor ou wavelet aprendíveis dentro de redes neurais profundas (incluindo estudos fundamentais fora da mamografia para caracterizar técnicas).
  3. Estudos fornecendo backbones de aprendizado profundo ou baselines multiclasse para comparação.
• Avaliação de Qualidade: A qualidade do relato foi avaliada usando o Checklist for Artificial Intelligence in Medical Imaging (CLAIM), e o risco de viés foi avaliado usando a ferramenta Prediction model Risk Of Bias ASsessment Tool (PROBAST).
• Síntese: Devido à heterogeneidade nos conjuntos de dados, tarefas e medidas de desfecho (ex: acurácia, AUC, coeficiente de Dice), a agrupação quantitativa foi considerada inadequada. Em vez disso, foi realizada uma síntese qualitativa estruturada, agrupando os estudos por tipo de operador (fixo vs. aprendível) e tarefa.

Principais Contribuições e Descobertas
A revisão sintetiza o estado da arte em relação aos operadores de processamento de sinais aprendíveis em mamografia:

1. Métricas de Desempenho: As acurácias de classificação relatadas nos estudos mamográficos incluídos variaram de 85,4% a 98,7%, com Áreas Sob a Curva Característica de Operador de Recebedor (AUC) variando de 0,88 a 0,92. As sensibilidades para sistemas baseados em Gabor e wavelet concentraram-se entre 92% e 96%.
2. Aprendível vs. Fixo/Não Restrito: Onde comparadas com baselines convolucionais de parâmetros fixos ou não restritos, as formulações aprendíveis (onde parâmetros de filtro como orientação, frequência e largura de banda são otimizados via backpropagation) igualaram ou excederam a acurácia, enquanto reduziram consistentemente o número de parâmetros treináveis. Essa eficiência de parâmetros é particularmente relevante para os regimes de pequenos dados típicos de coortes mamográficas anotadas.
3. Lacunas de Evidência:
   • Integração Conjunta: Nenhum estudo revisou a integração conjunta de operadores de Gabor aprendíveis e wavelet aprendíveis dentro de um único backbone.
   • Estadiamento Multiclasse: O estadiamento radiológico e patológico multiclasse (ex: categorias BI-RADS) foi abordado apenas por arquiteturas que carecem de um front-end de processamento de sinais parametrizado (ex: DenseNet, Vision Transformers).
   • Validação de Domínio: O suporte metodológico mais forte para formulações de Gabor aprendíveis veio de estudos validados em imagens hiperespectrais, imagens naturais e de vasos, e não em mamografia. O único estudo mamográfico empregando camadas de wavelet aprendíveis abordou a classificação binária (benigno vs. maligno).
4. Limitações Metodológicas: A revisão identificou deficiências significativas de relato, incluindo a especificação incompleta da arquitetura do modelo e dos procedimentos de treinamento. A validação externa em dados independentes foi reportada em uma minoria de estudos, e a avaliação prospectiva estava ausente. A maioria dos conjuntos de dados era retrospectiva e enriquecida com câncer.

Significância e Alegações
O artigo alega que operadores de Gabor e wavelet aprendíveis incorporados em redes neurais profundas oferecem uma abordagem matematicamente interpretável e eficiente em termos de parâmetros para a análise do câncer de mama mamográfico, com desempenho comparável aos métodos contemporâneos de aprendizado profundo.

No entanto, os autores mantêm uma postura modesta em relação ao estado atual do campo. Eles afirmam que a evidência atual está confinada a designs de operador único e predominantemente a tarefas binárias. A interseção específica do uso conjunto de operadores de Gabor e wavelet aprendíveis para a classificação mamográfica multiclasse e estadiamento patológico permanece como uma lacuna de evidência não abordada. Os autores concluem que, embora as vantagens teóricas (interpretabilidade, eficiência, robustez a variações de densidade) sejam claras, trabalhos futuros devem avaliar arquiteturas de filtros aprendíveis unificadas e restritas em coortes prospectivamente montadas, externamente validadas e com estadiamento anotado, para confirmar essas vantagens em cenários clinicamente significativos.