💻 computer science

A Preliminary CNN Baseline for Breast Ultrasound Classification in MATLAB, with Exploratory IDC/ILC Labels: Toward Explainable Breast Imaging AI

Este artigo estabelece um baseline preliminar de CNN baseado em MATLAB para a classificação binária de mama maligna versus não maligna em ultrassonografia utilizando o conjunto de dados BrEaST, alcançando uma precisão de teste melhorada ao enquadrar explicitamente a rotulagem exploratória de subtipos e a explicabilidade como direções de pesquisas futuras, em vez de resultados validados.

Autores originais: ISHANI CHOVATIYA

Publicado 2026-07-28

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: ISHANI CHOVATIYA

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine o corpo humano como uma cidade vasta e misteriosa, e os médicos como detetives tentando resolver seus mistérios mais críticos. Às vezes, as pistas estão escondidas profundamente, onde uma lanterna comum não consegue alcançar. É aí que entra o diagnóstico por imagem, atuando como uma visão de raio-X superpoderosa que permite aos médicos espiar o interior sem fazer um único corte. Entre essas ferramentas, a ultrassonografia de mama é como um batedor amigável e não invasivo que usa ondas sonoras para criar imagens do que está acontecendo dentro do tecido mamário. Ela é ótima para detectar nódulos, mas diferenciar um calombo inofensivo (como uma bolha em um bolo) de um perigoso (como uma nuvem de tempestade) pode ser difícil. As imagens são frequentemente nebulosas, dependem de quem segura a sonda e parecem diferentes a cada vez. É aqui que a Inteligência Artificial (IA) entra, esperando atuar como um ajudante incansável e superobservador que pode detectar padrões que os humanos podem perder. Mas, para que a IA seja uma parceira confiável em um hospital, ela precisa ser treinada cuidadosamente, testada rigorosamente e — o mais importante — explicar por que toma uma decisão, em vez de apenas adivinhar.

Este artigo é como um relatório de "Dia Um" de uma jovem pesquisadora chamada Ishani Chovatiya, que está construindo a primeiríssima versão desse ajudante de IA. Pense nisso como construir o esqueleto de um robô antes de adicionar os músculos ou o cérebro. A pesquisadora usou uma coleção pública de imagens de ultrassom de mama chamada conjunto de dados BrEaST, que contém 256 exames. Ela ensinou um tipo de IA chamado Rede Neural Convolucional (CNN) — que é basicamente um cérebro digital projetado para observar imagens — para classificar essas imagens em dois montes: "Maligno" (perigoso) e "Não Maligno" (seguro). Ela fez tudo isso usando o MATLAB, uma ferramenta de software popular para matemática e engenharia.

Os resultados são uma mistura de "bom começo" e "ainda aprendendo". Quando a IA tentou adivinhar pela primeira vez, acertou cerca de 70,88% das respostas. Após alguns ajustes e treinamento, a versão melhorada atingiu até 78,43% de precisão. Isso é um passo à frente, como um aluno melhorando sua nota em um teste, mas o artigo é muito claro: isso ainda não está pronto para um hospital real. Na verdade, a IA piorou na detecção de casos perigosos (uma métrica chamada "recall") ao mesmo tempo em que melhorou ligeiramente em ser precisa. É como um segurança que interrompe menos pessoas inocentes, mas também deixa passar algumas ameaças reais. A pesquisadora também tentou ver se a IA conseguia distinguir entre dois tipos específicos de câncer (IDC e ILC) apenas lendo as notas de texto no conjunto de dados, mas havia tão poucos exemplos que ela não conseguiu fornecer uma pontuação confiável para essa parte.

Talvez a parte mais honesta do artigo seja o que ele não faz. A pesquisadora admite que esta IA é uma "caixa preta" — ela faz um palpite, mas não sabemos exatamente qual parte da imagem a fez pensar em "perigo". Ela não utilizou nenhuma ferramenta especial para fazer a IA explicar seu raciocínio e afirma explicitamente que este é um baseline preliminar, não um produto acabado. O objetivo não é reivindicar vitória, mas estabelecer um ponto de partida claro e documentado. É um mapa mostrando onde a jornada começou, com a promessa de que trabalhos futuros adicionarão as peças que faltam: um treinamento melhor, um plano fixo para que os resultados possam ser repetidos exatamente e a capacidade de a IA dizer: "Eu acho que isso é câncer porque vejo estas formas específicas", para que os médicos possam confiar nela. Até lá, esta IA é um aluno promissor, não um médico certificado.

Resumo Técnico: Um Baseline Preliminar de CNN para Classificação de Ultrassom de Mama em MATLAB

Definição do Problema
O ultrassom de mama é uma modalidade crítica para a avaliação de lesões mamárias, mas a classificação automatizada permanece desafiadora devido ao ruído da imagem, dependência do operador e variabilidade visual. Embora pesquisas recentes tenham avançado em direção à geração de relatórios multimodais usando Transformers, há uma necessidade de baselines documentados e reprodutíveis que estabeleçam fluxos de trabalho fundamentais para tarefas de classificação mais simples. Este artigo aborda a falta de um baseline transparente e conservador para a classificação binária de lesões mamárias (maligno vs. não maligno) utilizando o conjunto de dados BrEaST, enquanto reconhece explicitamente as limitações dos esforços atuais de explicabilidade e classificação de subtipos.

Metodologia
O estudo utiliza o conjunto de dados Breast-Lesions-USG (BrEaST) do The Cancer Imaging Archive, composto por 256 exames por paciente (154 benignos, 98 malignos, 4 normais). O fluxo de trabalho, implementado em MATLAB, envolve as seguintes etapas:

Preparação de Rótulos: Um esquema de classificação binária foi criado onde casos "malignos" são positivos, e casos "benignos" e "normais" são agrupados como não malignos. Um componente exploratório tentou identificar subtipos de Carcinoma Ductal Invasivo (IDC) e Carcinoma Lobular Invasivo (ILC) via correspondência de texto no campo "Diagnosis", identificando 14 casos para cada.
Pré-processamento de Dados: As imagens foram redimensionadas para 224 x 224 pixels, normalizadas usando estatísticas do conjunto de treinamento e aumentadas via reflexão aleatória, translação, rotação e escala para mitigar o overfitting.
Arquitetura do Modelo: Uma Rede Neural Convolucional (CNN) foi construída utilizando o MATLAB Deep Learning Toolbox. A arquitetura inclui camadas convolucionais, normalização por lote (batch normalization), ativação ReLU, max-pooling, dropout, camadas totalmente conectadas (fully connected) e uma saída softmax.
Configuração de Treinamento: O modelo foi treinado por 50 épocas usando o otimizador Adam (taxa de aprendizado inicial de $1 \times 10^{-4}$ ) com um tamanho de mini-lote (mini-batch) de 32. Foi utilizada uma divisão de 80/20 para treino-teste, embora os índices específicos da divisão não tenham sido preservados com uma semente aleatória fixa.
Explicabilidade: Nenhum método de explicabilidade (ex: Grad-CAM, LIME) foi aplicado ao modelo CNN final relatado. Existe uma análise de árvore de decisão do tipo LIME exploratória no código suplementar, mas ela é explicitamente excluída dos resultados validados do artigo.

Principais Resultados
O artigo relata um resultado comparativo final conservador para evitar a apresentação de métricas de estágio de desenvolvimento contraditórias:

Melhoria de Desempenho: O modelo aprimorado alcançou uma acurácia de teste de 78,43%, subindo de 70,88% de um modelo anterior.
Precisão: Aumentou de 0,600 para 0,625.
Recall e F1-Score: Estas métricas diminuíram no modelo final (Recall: 0,385; F1-score: 0,476), indicando que, embora a acurácia geral tenha melhorado, a capacidade do modelo de detectar casos positivos e equilibrar precisão/recall requer mais ajustes.
Análise de IDC/ILC: Nenhuma acurácia quantitativa foi relatada para os rótulos exploratórios de IDC/ILC. Devido ao pequeno tamanho da amostra (14 casos cada) e à falta de uma divisão de teste com semente fixa preservada para esses subtipos específicos, os autores consideraram os resultados pouco confiáveis para publicação como um classificador validado.

Principais Contribuições

Baseline de CNN em MATLAB: Um fluxo de trabalho documentado para classificação binária de ultrassom de mama usando o conjunto de dados BrEaST, cobrindo carregamento de dados, criação de rótulos, aumento de dados e treinamento.
Relato Conservador: Foco em uma única acurácia de teste comparativa final (78,43%) em vez de métricas concorrentes de estágio de desenvolvimento, priorizando a transparência sobre alegações de desempenho infladas.
Identificação Exploratória de Subtipos: Uma tentativa inicial de derivar rótulos de IDC e ILC a partir de texto de diagnóstico não estruturado, destacando o potencial para pesquisas futuras focadas em subtipos, ao mesmo tempo que esclarece as limitações atuais.
Roteiro para Explicabilidade: Uma delineação clara do trabalho atual como um "primeiro baseline histórico", posicionando explicitamente a IA explicável (XAI) e a estimativa de incerteza como extensões futuras necessárias, em vez de conquistas atuais.

Significância e Alegações
O artigo posiciona-se não como um sistema de diagnóstico clinicamente pronto, mas como um baseline metodológico e de desenvolvimento. Os autores enfatizam que a acurácia de 78,43% é insuficiente para implantação clínica e que a queda no recall e no F1-score ressalta o risco de confiar apenas na acurácia em imagens médicas.

A principal significância reside em fornecer um ponto de partida transparente e reprodutível para pesquisas futuras. O trabalho serve como fundação para:

Implementar execuções com semente fixa para garantir a reprodutibilidade.
Integrar métodos de explicabilidade visual (ex: Grad-CAM).
Desenvolver modelos conscientes de incerteza (uncertainty-aware).
Avançar em direção ao modelagem multimodal de imagem-texto para geração de relatórios.

O estudo conclui que, embora o baseline de CNN atual demonstre a capacidade de aprender padrões do conjunto de dados BrEaST, ele requer validação externa, arquiteturas mais fortes e revisão clínica antes que possa contribuir para uma IA de imagem mamária confiável.

Resumo Técnico: Um Baseline Preliminar de CNN para Classificação de Ultrassom de Mama em MATLAB

Mais como este