Deep Learning-Based Tongue Pathology Detection: Mapping Fine-Grained Computer Vision Features to Ayurvedic Diagnostic Heuristics

Resumo Técnico: Detecção de Patologias da Língua Baseada em Aprendizado Profundo

Declaração do Problema
A medicina Ayurvédica tradicional baseia-se no exame da língua para classificar indivíduos em tipos constitucionais (doshas: Vata, Pitta, Kapha) e fornecer recomendações de bem-estar personalizadas. No entanto, essa avaliação depende atualmente da expertise do praticante, experiência visual e interpretação subjetiva, o que leva à variabilidade e à reprodutibilidade limitada. Embora avanços recentes em inteligência artificial (IA) e visão computacional tenham transformado a análise de imagens médicas, os estudos existentes em diagnóstico de língua concentram-se primariamente na classificação de doenças dentro da Medicina Tradicional Chinesa (MTC) ou dependem fortemente de avaliações baseadas em questionários. Há uma escassez notável de sistemas leves e amigáveis para dispositivos móveis que integrem a detecção de características finas da língua com a avaliação constitucional Ayurvédica usando inferência no dispositivo. Além disso, desafios como conjuntos de dados de referência públicos limitados, protocolos de anotação inconsistentes e a falta de metodologias de avaliação padronizadas dificultam o desenvolvimento de sistemas robustos e interpretáveis para este domínio.

Metodologia
O artigo propõe o "Jihwa", um framework de IA de borda (edge-AI) leve, projetado para análise não invasiva de características da língua e avaliação de bem-estar baseada em regras. A arquitetura do sistema consiste em três camadas primárias:

1. Camada de Percepção (Visão Computacional):

   • Modelo: O sistema emprega um modelo de detecção de objetos YOLO11n, escolhido pelo seu equilíbrio entre precisão e eficiência computacional adequada para implantação móvel.
   • Treinamento: O modelo foi treinado via aprendizado por transferência (transfer learning) no conjunto de dados TMC-Tongue, que contém 6.719 imagens anotadas em 20 categorias de características da língua (incluindo cor do corpo da língua, revestimento, fissuras, marcas de dentes, inchaço e indicadores de zonas de órgãos).
   • Pré-processamento: As imagens foram redimensionadas para 640×640 pixels. Técnicas de aumento de dados (escala, translação, inversão horizontal e transformações de HSV controladas) foram aplicadas para aumentar a robustez enquanto preservam padrões de cores clinicamente significativos.
   • Inferência: O modelo treinado é convertido para o formato TensorFlow Lite, permitindo a inferência em tempo real diretamente no dispositivo, sem transmitir imagens para servidores externos. O modelo gera caixas delimitadoras (bounding boxes), rótulos de classe e pontuações de confiança, que são refinados usando limiares de confiança e Supressão de Não-Máximo (NMS).

2. Camada de Interpretação (Fusão Multimodal):

   • Questionário: Os usuários completam uma autoavaliação de 22 perguntas cobrindo traços fisiológicos e comportamentais (digestão, sono, energia, etc.), que são mapeados para pontuações Vata, Pitta e Kapha.
   • Mecanismo de Fusão: O framework utiliza uma estratégia de fusão ponderada baseada em regras e transparente. As características visuais extraídas pelo modelo YOLO11n contribuem com 60% para a avaliação final, enquanto as respostas do questionário contribuem com 40%.
   • Pontuação: As características da língua detectadas recebem pesos Ayurvédicos baseados em heurísticas diagnósticas predefinidas. A pontuação visual ($S_{visual}$) é calculada somando o produto dos pesos das características e das pontuações de confiança. Isso é combinado com a pontuação normalizada do questionário ($S_{questionnaire}$) usando a fórmula: $S_{final} = 0.6S_{visual} + 0.4S_{questionnaire}$.
   • Classificação: As pontuações fundidas são normalizadas para gerar valores baseados em porcentagem para os três doshas. O sistema identifica uma constituição dominante ou uma constituição mista (ex: Vata-Pitta) com base em limiares de pontuação, suportando sete tipos distintos de constituição.

3. Camada de Recomendação:

   • Com base na constituição identificada, o sistema gera recomendações de bem-estar personalizadas, incluindo orientação dietética, estratégias de hidratação e um plano de estilo de vida em oito semanas. Todas as recomendações são geradas no dispositivo para preservar a privacidade do usuário.

Principais Contribuições

• Integração de Modalidades: O artigo apresenta um framework unificado que combina a detecção de características finas da língua com o raciocínio estruturado baseado em questionários, uma combinação raramente encontrada em aplicações de saúde de IA de borda existentes.
• Implementação de Edge-AI: Diferente de abordagens baseadas em nuvem, o sistema executa o modelo YOLO11n inteiramente no dispositivo móvel do usuário, garantindo baixa latência, privacidade de dados e independência de conectividade com a internet.
• Interpretabilidade: O framework distingue entre o componente de aprendizado de máquina (detecção de características) e a interpretação de bem-estar baseada em regras. Essa transparência permite o mapeamento claro de características visuais para heurísticas Ayurvédicas, evitando a natureza de "caixa preta" do diagnóstico de aprendizado profundo de ponta a ponta.
• Utilização de Conjunto de Dados: O trabalho utiliza o conjunto de dados TMC-Tongue para treinar um detector capaz de identificar 20 características específicas da língua, abordando a lacuna na detecção de características finas para contextos Ayurvédicos.

Resultados Experimentais
O modelo YOLO11n foi treinado por 150 épocas no conjunto de dados TMC-Tongue. O desempenho foi avaliado usando métricas padrão de detecção de objetos em um conjunto de teste reservado:

• Precisão (Precision): 0.424
• Revocação (Recall): 0.318
• mAP@50: 0.293
• mAP@50-95: 0.232

Os resultados indicam que o modelo aprendeu com sucesso características discriminativas da língua. A análise da matriz de confusão revelou que a maioria das classes exibiu forte dominância diagonal, com classificações incorretas ocorrendo principalmente entre características visualmente semelhantes (ex: padrões específicos de revestimento ou fissura). As curvas de treinamento demonstraram convergência estável, com perdas diminuindo e métricas melhorando ao longo das épocas. A curva F1-confiança identificou uma região de limiar ideal onde precisão e revocação foram equilibradas.

Significância e Alegações
O autor posiciona este trabalho não como um substituto para a expertise clínica, mas como uma ferramenta para monitoramento de bem-estar acessível e personalizado. A significância do artigo reside na demonstração de um framework transparente e computacionalmente eficiente que une as heurísticas diagnósticas tradicionais Ayurvédicas ao aprendizado profundo moderno. Ao separar claramente a detecção validada por aprendizado de máquina da interpretação baseada em regras, o estudo fornece uma base para pesquisas futuras na interseção entre IA de borda, saúde digital e medicina tradicional computacional. O autor afirma que esta abordagem oferece uma solução prática para superar a subjetividade do diagnóstico tradicional de língua, mantendo a privacidade e a acessibilidade exigidas para aplicações de saúde cotidianas.