💻 ciência da computação

Squeeze-and-Excitation Channel Attention in a Compact CNN for 24-Class Clinical Skin Disease Classification

Este artigo apresenta uma CNN compacta, de 5,01 milhões de parâmetros, aprimorada com atenção de canal Squeeze-and-Excitation que alcança 88,55% de acurácia em um conjunto de dados clínico de doenças de pele de 24 classes balanceado, demonstrando ganhos de desempenho significativos sobre os modelos de base ao reconhecer limitações específicas de avaliação antes da implantação clínica.

Autor original: Md. Ariful Islam

Publicado 2026-11-10

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autor original: Md. Ariful Islam

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 pelo autor. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Em muitas partes do mundo, particularmente em áreas rurais com poucos especialistas médicos, uma pessoa com uma condição de pele frequentemente espera semanas para ver um médico ou tenta tratar o problema por conta própria com cremes de venda livre. Essa lacuna no atendimento impulsionou pesquisadores a construir programas de computador que possam analisar uma fotografia de uma lesão cutânea e sugerir um diagnóstico. Esses programas dependem de um tipo de inteligência artificial chamada rede neural convolucional, que é essencialmente um sistema digital projetado para reconhecer padrões em imagens de forma muito semelhante ao que o olho e o cérebro humanos fazem. Para tornar esses sistemas mais inteligentes sem torná-los pesados demais para rodar nos computadores modestos encontrados em pequenas clínicas, os cientistas começaram a adicionar mecanismos de "atenção". Pense nisso como uma maneira de o computador aprender quais partes de uma imagem são mais importantes, permitindo que ele foque na textura ou cor específica de uma erupção cutânea enquanto ignora a pele circundante ou a desordem do fundo. A questão que impulsiona o trabalho recente é se essas ferramentas de atenção podem melhorar significativamente um pequeno e eficiente programa de computador treinado do zero para reconhecer uma ampla variedade de doenças de pele.

Um pesquisador da East Delta University, em Bangladesh, partiu para responder a essa pergunta construindo um modelo de computador compacto especificamente para classificar fotografias clínicas de pele. O objetivo era criar um sistema que fosse preciso o suficiente para ser útil, mas leve o suficiente para rodar no hardware que as pequenas clínicas realmente possuem, em vez de depender de sistemas massivos pré-treinados que exigem servidores poderosos. Para treinar este modelo, o pesquisador reuniu uma coleção pública de imagens de doenças de pele e as organizou em vinte e quatro categorias distintas, variando de condições inflamatórias comuns como eczema a infecções como catapora, além de uma categoria para pele saudável. Para garantir que o computador aprendesse de forma justa, o pesquisador equilibrou cuidadosamente o conjunto de dados selecionando exatamente o mesmo número de imagens para cada categoria, resultando em um total de 68.568 fotografias. O computador foi então ensinado a reconhecer essas vinte e quatro classes do zero, sem qualquer conhecimento prévio de outras tarefas, utilizando um design arquitetônico específico que incluía o mecanismo de atenção em cada estágio de seu aprendizado.

Os resultados mostraram que essa abordagem funcionou de forma notável. Quando testado em um conjunto separado de imagens que nunca havia visto antes, o modelo identificou corretamente a condição de pele em quase 89 por cento dos casos. Esse desempenho foi significativamente melhor do que o esperado por um palpite aleatório e superou várias outras arquiteturas de computador padrão e bem conhecidas que foram testadas sob as mesmas condições. O estudo incluiu um experimento controlado para provar que a melhoria veio especificamente do mecanismo de atenção. Quando o pesquisador removeu os blocos de atenção do modelo e treinou o restante do sistema da mesma maneira, a precisão caiu visivelmente. Adicionar os blocos de atenção de volta impulsionou o desempenho em quase nove pontos percentuais, tudo isso enquanto aumentava o tamanho total do programa de computador em menos de um por cento. Isso sugere que a capacidade de focar nas características mais importantes de uma imagem é uma forma altamente eficiente de melhorar a precisão sem exigir mais poder de computação.

Apesar desses números fortes, o pesquisador é cuidadoso ao notar que o estudo possui limites específicos antes que o sistema possa ser usado em um hospital real. As imagens usadas para teste foram divididas aleatoriamente, o que significa que fotos do mesmo paciente ou da mesma lesão poderiam acidentalmente acabar tanto no grupo de treinamento quanto no de teste, o que pode fazer com que os resultados pareçam melhores do que realmente são. Além disso, o conjunto de dados não incluiu informações sobre o tom de pele dos pacientes, portanto, não se sabe quão bem o sistema funcionaria em tipos de pele mais escura, que são comuns no sul da Ásia. O modelo também não abordou cânceres de pele, pois essas categorias específicas foram excluídas dos dados de treinamento para manter o foco em outras condições comuns. O pesquisador conclui que, embora este modelo compacto e focado em atenção seja um ponto de partida promissor para ajudar médicos em ambientes de poucos recursos, ele requer mais testes em grupos distintos de pacientes e tipos de pele diversos antes de poder ser confiado para uso clínico. O trabalho demonstra que, com o design correto, programas de computador pequenos e eficientes podem aprender a enxergar doenças de pele com um alto grau de precisência, oferecendo uma ferramenta potencial para preencher a lacuna onde os dermatologistas são escassos.

Resumo Técnico: Atenção de Canal Squeeze-and-Excitation em uma CNN Compacta para Classificação de 24 Classes de Doenças de Pele Clínicas

Problema
O acesso a dermatologistas é severamente limitado em regiões de baixos recursos, como a zona rural de Bangladesh, criando uma necessidade crítica de ferramentas de triagem automatizadas que sejam simultaneamente precisas e computacionalmente leves o suficiente para rodar em hardware modesto. Embora Redes Neurais Convolucionais (CNNs) de grande escala tenham demonstrado desempenho de nível especialista em dermatologia, elas frequentemente dependem de backbones pesados pré-treinados e transferência de aprendizado (transfer learning). Este estudo aborda a questão específica de quanto a atenção de canal Squeeze-and-Excitation (SE) contribui para uma CNN compacta treinada do zero em um conjunto amplo e multiclasse de fotografias clínicas de pele, visando equilibrar o desempenho com o tamanho do modelo.

Metodologia
A pesquisa propõe uma arquitetura SE-CNN compacta e um protocolo experimental rigoroso:

Curadoria de Dados: Um conjunto de dados balanceado por classe de 68.568 imagens de doenças de pele clínicas foi construído a partir de uma coleção pública do Kaggle. O autor excluiu pastas de tumores genéricos ou sobrepostos (ex: melanoma, carcinoma basocelular) para focar em 24 classes específicas: 23 categorias de doenças (incluindo condições inflamatórias, infecções e lesões vasculares) e uma classe de pele saudável. Cada categoria foi subamostrada aleatoriamente para exatamente 2.857 imagens para garantir um equilíbrio perfeito sem duplicação sintética.
Arquitetura da Rede: A SE-CNN proposta é treinada do zero, sem transferência de aprendizado. Ela consiste em quatro estágios convolucionais com contagens de filtros de 64, 128, 256 e 512. Cada estágio inclui duas convoluções 3×3 com ReLU e Normalização por Lote (Batch Normalization), seguidas por um bloco Squeeze-and-Excitation (SE) e max pooling 2×2. O bloco SE aprende pesos de canal via global average pooling e um gargalo de duas camadas (razão de redução $r=16$ ), redimensionando os mapas de características para enfatizar canais informativos. A rede conclui com global average pooling, uma camada totalmente conectada, dropout e um softmax de 24 vias. A contagem total de parâmetros é de 5,01 milhões.
Protocolo de Treinamento: Os modelos foram treinados usando o otimizador Adam, perda de entropia cruzada categórica e um tamanho de lote (batch size) de 64. A aumentação de dados (rotação, zoom, deslocamentos, cisalhamento, inversão) foi aplicada apenas ao conjunto de treinamento. O conjunto de dados foi dividido em 80/20 entre conjuntos de treinamento e de retenção (held-out). O early stopping foi monitorado na divisão de retenção.
Análise Comparativa: O estudo empregou um estudo de ablação controlado em um subconjunto reduzido dos dados para isolar o impacto dos blocos SE. Uma "CNN de Base" idêntica à SE-CNN, mas sem os blocos SE, foi treinada sob condições idênticas. Além disso, arquiteturas padrão (MobileNetV2, DenseNet121, ResNet50, EfficientNetB0) foram treinadas usando o mesmo pipeline para comparação.

Principais Contribuições

SE-CNN Compacta: Desenvolvimento de uma rede de 5,01 milhões de parâmetros para classificação de 24 classes de doenças de pele clínicas, treinada inteiramente do zero.
Benchmark Balanceado: Criação de um conjunto de dados de 68.568 imagens, perfeitamente balanceado por classe e sem imagens duplicadas entre as partições.
Ablação Controlada: Isolamento experimental da contribuição do bloco SE, demonstrando ganhos de desempenho com um aumento insignificante de parâmetros.
Limitações Explícitas: Uma prestação de contas transparente das restrições de avaliação, incluindo a divisão ao nível da imagem e o reuso do conjunto de retenção para o early stopping.

Resultados

Desempenho no Conjunto de Dados Completo: No conjunto de retenção (13.728 imagens), a SE-CNN alcançou 88,55% de acurácia top-1 e um F1 score macro de 0,888. O AUC ROC micro-médio foi de 1,00. O desempenho variou por classe; pele saudável e infecções específicas (ex: catapora, herpes zoster) alcançaram F1 scores ≥0,99, enquanto eczema e psoríase/liquen plano mostraram desempenho inferior (F1 ~0,61–0,66) devido à sobreposição visual.
Estudo de Ablação: Em um subconjunto reduzido, adicionar blocos SE à CNN de base aumentou a acurácia de validação de 64,2% para 73,1% e o F1 de teste macro de 0,49 para 0,59. Este aumento foi alcançado com um aumento de menos de 1% na contagem de parâmetros.
Comparação com a Base: No mesmo subconjunto, a SE-CNN (72,9% de acurácia de validação) superou significativamente a MobileNetV2 (50,8%) e a DenseNet121 (46,5%). A ResNet50 e a EfficientNetB0 falharam em convergir sob o pipeline de treinamento compartilhado, sugerindo incompatibilidade com o escalonamento de dados e aumentação específicos, em vez de uma fraqueza arquitetônica inerente.

Significância e Alegações
O artigo afirma que o estudo de ablação fornece evidência direta de que a atenção de canal SE adiciona aproximadamente nove pontos percentuais à acurácia de validação e dez pontos ao F1 de teste com menos de 1% de parâmetros adicionais. Isso apoia a utilidade de módulos de atenção leves para triagem dermatológica em ambientes de baixos recursos, onde o tamanho do modelo é uma restrição.

O autor afirma explicitamente que os resultados são um "ponto de partida" para triagem clínica, mas ainda não estão prontos para implantação clínica. Eles destacam várias limitações:

Risco de Vazamento de Dados (Data Leakage): O uso de divisão ao nível da imagem (em vez de nível do paciente) pode inflar as métricas de desempenho se múltiplas imagens do mesmo paciente aparecerem tanto no treinamento quanto no teste.
Viés de Validação: O conjunto de retenção foi reutilizado para o early stopping, o que significa que não é um conjunto de teste totalmente independente.
Generalização: A falta de metadados de tom de pele impede a avaliação do desempenho em tipos de pele mais escuros, que são prevalentes na demografia alvo.
Artefatos de Origem: A classificação quase perfeita de certas classes pode ser, em parte, devido ao modelo reconhecer prefixos de imagem específicos da fonte em vez de características da doença.

Trabalhos futuros são propostos para abordar essas questões através da separação por nível de paciente, validação externa em conjuntos de dados como o Fitzpatrick 17k, e a inclusão de mapas de saliência (ex: Grad-CAM) para verificar se o modelo atenta para as lesões ou para o fundo.

Mais como este