💻 computer science

An Attention-Enhanced MobileViT Framework for Multi-Task Skin Lesion Classification and Segmentation

Este artigo propõe um framework MobileViT-XS leve e com atenção aprimorada que equilibra efetivamente a eficiência computacional e a confiabilidade diagnóstica para classificação e segmentação conjunta de lesões cutâneas, alcançando um desempenho competitivo no conjunto de dados ISIC 2019 com significativamente menos parâmetros do que modelos pesados.

Autores originais: Yanqiang Ge, Bingqian Lu, Haoyu Wang, Zixu Yang, Zhan Zhang

Publicado 2026-08-25

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Yanqiang Ge, Bingqian Lu, Haoyu Wang, Zixu Yang, Zhan Zhang

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

Todos os anos, milhões de pessoas em todo o mundo desenvolvem lesões cutâneas, que variam de sinais inofensivos a cânceres perigosos como o melanoma. Detectar essas condições precocemente é uma questão de vida ou morte; quando o melanoma é encontrado antes de se espalhar, a taxa de sobrevivência de cinco anos é quase perfeita, mas uma vez que atinge órgãos distantes, essa chance cai drasticamente. Atualmente, a primeira linha de defesa é frequentemente um clínico geral em uma clínica local, não um dermatologista especialista. Esses profissionais de cuidados primários enfrentam uma realidade difícil: eles devem identificar sinais sutis de câncer em imagens de pele sem possuir os anos de treinamento especializado que um dermatologista possui, e muitas vezes carecem dos sistemas de computação caros e pesados que impulsionam as ferramentas de diagnóstico mais avançadas. O desafio, então, é construir um assistente digital que seja inteligente o suficiente para ver o que um especialista vê, mas leve o suficiente para rodar nos computadores modestos encontrados em uma clínica padrão ou até mesmo em um dispositivo móvel.

Uma equipe de pesquisadores abordou esse desafio criando um novo tipo de sistema de inteligência artificial projetado especificamente para esse ambiente. Eles construíram uma estrutura que pode olhar para uma foto de uma lesão cutânea e fazer duas coisas ao mesmo tempo: decidir que tipo de lesão ela é e desenhar um contorno preciso ao seu redor. O núcleo de seu sistema é uma rede neural leve, um tipo de programa de computador inspirado no cére-humano, que escolheram por sua capacidade de equilibrar alto desempenho com baixo uso de energia. Para tornar este sistema ainda mais aguçado, eles adicionaram um mecanismo que ajuda o computador a focar nas partes mais importantes da imagem, de forma muito semelhante a como o olho humano naturalmente ignora um fundo movimentado para focar em um objeto específico. Eles também projetaram o sistema para ser cauteloso; se o computador estiver inseguro sobre um diagnóstico, ele é programado para sinalizar o caso para um médico humano em vez de adivinhar com confiança, um recurso de segurança destinado a evitar erros perigosos.

Os pesquisadores testaram sua criação usando uma grande coleção de imagens de pele de um banco de dados médico público. Os resultados mostraram que seu sistema leve conseguiu identificar corretamente o tipo de lesão cutânea em mais de 84 por cento dos casos, um nível de precisão que rivaliza com modelos muito maiores e mais complexos que exigem hardware potente e caro. Além de classificar a lesão, o sistema delineou com sucesso os limites do crescimento na imagem com um alto grau de precisão. Talvez o mais importante, o estudo demonstrou que ensinar o computador a realizar ambas as tarefas simultaneamente — identificar a lesão e desenhar sua forma — na verdade o tornou melhor em identificar a lesão do que se tivesse sido treinado para fazer apenas um desses trabalhos. Isso sugere que as duas tarefas se ajudam, com o ato de delinear a lesão ajudando o computador a compreender suas características de forma mais profunda.

Apesar desses sucessos, os pesquisadores fazem questão de notar que seu sistema ainda não está pronto para substituir um médico. O modelo foi treinado em imagens tiradas sob condições controladas e ideais, e pode ter dificuldades com a iluminação e os ângulos desordenados e variados encontrados em clínicas do mundo real ou em autoexames domésticos. Além disso, o sistema é projetado para ser uma ferramenta de triagem, não uma autoridade diagnóstica final. Quando o computador encontra uma imagem difícil ou ambígua, seu protocolo de segurança integrado o direciona para enviar o caso a um especialista humano para revisão. A equipe vislumbra esta tecnologia como uma forma de capacitar clínicos gerais, dando-lhes uma segunda opinião confiável que pode ajudar a detectar cânceres de pele perigosos mais cedo, mesmo em locais onde os recursos especializados são escassos. Antes que esta ferramenta possa ser usada em hospitais, no entanto, ela deve passar por mais testes em ambientes clínicos reais para garantir que funcione com segurança em diferentes tipos de pele e situações médicas.

Resumo Técnico: Um Framework MobileViT Aprimorado por Atenção para Classificação e Segmentação Multitarefa de Lesões Cutâneas

1. Definição do Problema

O artigo aborda o desafio de implementar o diagnóstico automatizado de lesões cutâneas em ambientes de cuidados primários com recursos limitados. Embora o aprendizado profundo tenha avançado a análise de lesões cutâneas, existe um compromisso significativo entre a precisão diagnóstica e a eficiência computacional.

Modelos pesados (ex: Transformers padrão, U-Nets grandes) oferecem um desempenho robusto, mas possuem sobrecargas de parâmetros proibitivas, tornando-os inadequados para dispositivos móveis ou de borda (edge devices).
Redes leves existentes muitas vezes carecem de modelagem de características globais robusta e de aprimoramento de características espaciais, limitando sua confiabilidade para tarefas detalhadas, como distinguir limites ambíguos de lesões.
Preocupações de segurança: A maioria dos modelos atuais fornece previsões determinísticas sem quantificar explicitamente a incerteza, o que pode levar a resultados excessivamente confiantes em amostras ambíguas ou atípicas, aumentando os riscos de erro de diagnóstico clínico.

2. Metodologia

Os autores propõem um framework multitarefa leve e aumentado por atenção baseado no MobileViT-XS para a classificação e segmentação semântica conjunta de lesões cutâneas.

Arquitetura do Backbone: O framework utiliza o MobileViT-XS como um backbone compartilhado. Esta arquitetura combina Redes Neurais Convolucionais (CNNs) para extração de textura local com Vision Transformers (ViTs) para modelagem de dependência global, capturando efetivamente as características de múltiplas escalas e de limites ambíguos das lesões dermoscópicas.
Mecanismo de Atenção (CBAM): Um Módulo de Atenção de Bloco Convolucional (CBAM) é integrado ao final do backbone, antes dos cabeçotes específicos para cada tarefa. O CBAM aplica sequencialmente a atenção de canal (identificando canais informativos via global pooling e MLP) e a atenção espacial (agregando informações de canal para gerar uma máscara espacial) para refinar as representações de características.
Design de Aprendizado Multitarefa (MTL): A arquitetura apresenta uma estrutura de dois ramos:
- Ramo de Classificação: Fornece probabilidades para oito categorias de lesões (AK, BCC, BKL, DF, MEL, NV, SCC, VASC) usando global average pooling, dropout e uma camada totalmente conectada.
- Ramo de Segmentação: Fornece uma máscara de lesão ao nível de pixel usando um decodificador leve que realiza o upsampling das características e aplica convoluções.
- Promoção Assimétrica: O design aproveita a supervisão de segmentação ao nível de pixel para auxiliar a otimização da classificação de imagem, criando um "paradigma de promoção de tarefa assimétrica", onde a segmentação auxilia a classificação de forma mais significativa do que o inverso.
Função de Perda: A perda total é uma soma ponderada das perdas de classificação e segmentação ( $L_{total} = \lambda_{cls}L_{cls} + \lambda_{seg}L_{seg}$ $L_{t o t a l} = λ_{c l s} L_{c l s} + λ_{se g} L_{se g}$ ).
- Perda de Classificação: Uma perda de entropia cruzada ponderada é utilizada para lidar com o desequilíbrio de classes, com pesos inversamente proporcionais à frequência das classes.
- Perda de Segmentação: Uma combinação de perda de Dice e perda de Entropia Cruzada Binária (BCE) é usada para otimizar a sobreposição de região e a precisão por pixel.
Inferência Conservadora e Estratificação de Risco: Para mitigar o excesso de confiança, é empregada uma estratégia de inferência focada na segurança.
- Limiares de Revisão: Amostras são sinalizadas para revisão de especialistas se a probabilidade máxima da classe ( $p_{max}$ ) for inferior a 0,50 ou se a margem entre as duas principais classes ( $\delta$ ) for inferior a 0,15.
- Estratificação de Risco: Para amostras não revisadas, calcula-se a probabilidade cumulativa das classes malignas (MEL, BCC, SCC, AK). Os riscos são estratificados como Alto (predição maligna), Médio (predição benigna, mas com $p_{malignant} \ge 0,25$ ) ou Baixo.

3. Principais Contribuições

Validação do MobileViT-XS: O estudo valida sistematicamente o MobileViT-XS como um backbone leve superior para análise de lesões cutâneas, demonstrando que ele equilibra melhor a textura local e o contexto global do que CNNs puras (ex: EfficientNet-B0) ou Transformers pesados.
Paradigma de Multitarefa Aumentado por Atenção: O trabalho estabelece um framework de aprendizado colaborativo onde a supervisão de segmentação refina significativamente as características espaciais para a classificação. Demonstra que o módulo CBAM gera ganhos de desempenho substanciais especificamente quando acoplado ao aprendizado multitarefa, superando os ganhos limitados de atenção observados em frameworks de tarefa única.
Predição Orientada à Segurança: A introdução de uma restrição de predição conservadora e um mecanismo de estratificação de risco aborda a questão do excesso de confiança do modelo, sinalizando amostras incertas para revisão humana para aumentar a segurança diagnóstica.

4. Resultados Experimentais

Os experimentos foram realizados no dataset ISIC 2019 (25.331 imagens, 8 classes) com máscaras de segmentação correspondentes do ISIC 2018.

Métricas de Desempenho:
- Classificação: O modelo proposto alcançou 84,37% de Acurácia, 79,46% de Macro-F1, 79,68% de Sensibilidade e 97,22% de Especificidade.
- Segmentação: O modelo alcançou um coeficiente de Dice de 86,37% e mIoU de 78,09%.
- Eficiência: O modelo opera com apenas 2,62 Milhões de parâmetros.
Análise Comparativa:
- O método proposto superou os baselines leves como o EfficientNet-B0 (81,63% de Acurácia) e superou significativamente o ResNet-50 e o GS-TransUNet.
- Embora modelos de segmentação de tarefa única (U-Net, DeepLabV3+) tenham alcançado pontuações de Dice/mIoU ligeiramente superiores, o modelo multitarefa proposto oferece um compromisso entre acurácia e eficiência superior, realizando ambas as tarefas simultaneamente com o mínimo de parâmetros.
Estudos de Ablação:
- A adição do CBAM a um baseline de MobileViT-XS de tarefa única resultou em ganhos marginais.
- A introdução do Aprendizado Multitarefa (MTL) impulsionou significativamente a acurácia de classificação (de ~72% para ~83,6%).
- A combinação de MTL com CBAM alcançou os resultados ótimos, confirmando que a supervisão densa de segmentação ativa todo o potencial do mecanismo de atenção.

5. Significância e Alegações

O artigo afirma fornecer um compromisso bem equilibrado entre acurácia, eficiência computacional, interpretabilidade visual e segurança de predição clínica.

Aplicabilidade em Cuidados Primários: O framework é posicionado como uma solução leve e implantável para triagem de lesões cutâneas em cuidados primários e dispositivos de borda portáteis, onde os recursos computacionais são limitados.
Interpretabilidade: A integração de mapas de calor Grad-CAM e visualizações de sobreposição aumenta a interpretabilidade do modelo, permitindo que clínicos entendam o raciocínio por trás das predições.
Segurança: Ao lidar explicitamente com a incerteza através de limiares conservadores, o sistema visa reduzir o risco de predições perigosas e excessivamente confiantes em casos ambíguos.

Limitações e Perspectivas Futuras:
Os autores reconhecem que o modelo foi treinado exclusivamente em datasets públicos ISIC sob condições de imagem controladas, o que pode levar a mudanças de domínio em cenários reais de cuidados primários ou autotriagem. A ponderação de perda atual é fixa, e os limiares de predição são definidos empiricamente. O artigo conclui que é necessária uma validação clínica prospectiva multicêntrica antes que a aplicação clínica no mundo real possa ser realizada. Trabalhos futuros focarão na coleta de datasets clínicos diversos, exploração de mecanismos dinâmicos de equilíbrio de tarefas e implementação em dispositivos móveis/borda via ONNX ou TFLite.