Enhanced Classifications of Skin  Melanoma, Actinic Keratosis, and Basal Cell Carcinoma Tumors Versus Normal Tissues Utilizing  YOLOv11 and  EfficientNetV2M  Deep Learning Models

Resumo Técnico: Classificações Aprimoradas de Tumores de Melanoma Cutâneo, Ceratose Actínica e Carcinoma Basocelular Versus Tecidos Normais Utilizando Modelos de Deep Learning YOLOv11 e EfficientNetV2M

Problema
Os tumores de pele representam um desafio de saúde global significativo, com o melanoma invasivo sendo responsável pela maioria das mortes relacionadas ao câncer de pele, apesar de compreender apenas uma pequena fração do total de casos. Os atuais sistemas de diagnóstico automatizado que utilizam dados dermoscópicos enfrentam três obstáculos persistentes: desequilíbrio severo de classes em conjuntos de dados públicos (enviesando os modelos para casos benignos), alta semelhança visual entre lesões benignas e malignas complicando a discriminação de características, e uma falta de benchmarking consistente entre arquiteturas. Além disso, embora arquiteturas recentes orientadas à detecção (como a família YOLO) e modelos orientados à classificação (como o EfficientNet) tenham avançado na visão computacional, sua aplicabilidade e desempenho comparativo na classificação binária de lesões cutâneas — particularmente sob condições clínicas de desequilíbrio de classes — não foram sistematicamente caracterizados.

Metodologia
O estudo utiliza o conjunto de dados HAM10000, uma coleção pública de 10.015 imagens dermoscópicas cobrindo sete classes distintas de lesões cutâneas. Para refletir a realidade clínica, os autores preservaram deliberadamente um desequilíbrio de classe de 4:1 entre casos benignos e malignos. O conjunto de dados foi dividido em conjuntos de treinamento (80%), validação (10%) e teste (10%), garantindo que não houvesse vazamento de dados de pacientes entre as partições.

A pesquisa avalia três configurações distintas de deep learning:

1. YOLOv11: Um modelo YOLOv11s (Ultralytics) ajustado para classificação binária. O modelo passou por um ajuste fino completo (fine-tuning) usando um otimizador SGD, uma taxa de aprendizado de 0,001 e um tamanho de lote (batch size) de 32 ao longo de 50 épocas. A aumentação de dados incluiu rotação de ±45°, inversão horizontal/vertical de 50% e escala de 50%.
2. EfficientNetV2M + Rede Neural (NN): O backbone EfficientNetV2M foi congelado como um extrator de características, alimentando uma cabeça de rede neural customizada composta por cinco camadas densas com normalização de lote (batch normalization) e dropout. Esta configuração foi treinada usando um otimizador SGD.
3. EfficientNetV2M + Support Vector Machine (SVM): O mesmo backbone EfficientNetV2M foi utilizado para extrair características, que foram então padronizadas e classificadas usando um SVM polinomial (grau 1) da biblioteca scikit-learn.

O estudo realizou estudos de ablação sobre otimizadores (AdamW vs. SGD), taxas de aprendizado, tamanhos de lote e políticas de aumentação para identificar as escolhas de design mais influentes.

Principais Contribuições

• Benchmarking do YOLOv11: Este trabalho apresenta o primeiro benchmark do YOLOv11 para classificação binária de lesões cutâneas, alcançando alto desempenho sem modificações arquiteturais ou destilação de conhecimento.
• Avaliação de Pipeline Híbrido: Os autores avaliam e comparam pipelines híbridos combinando o EfficientNetV2M com classificadores de rede neural e SVM, analisando os compromissos entre o treinamento end-to-end de deep learning e a classificação de aprendizado de máquina tradicional em características extraídas.
• Análise Comparativa Rigorosa: O estudo fornece uma linha de base reprodutível contra métodos de estado da arte (incluindo ResNet50, RegNetY-320 e DSNet) usando divisões de conjuntos de dados e métricas de avaliação consistentes.
• Insights de Ablação: Identificação sistemática de hiperparâmetros que influenciam significativamente o desempenho da classificação sob condições de desequilíbrio de classes.

Result Resultados

• YOLOv11: Alcançou a maior acurácia de teste de 92,8%, com um recall de 86,5% e especificidade de 93,3%. O modelo demonstrou uma forte capacidade de minimizar falsos negativos, tornando-o adequado para triagem de alta sensibilidade.
• EfficientNetV2M + NN: Alcançou uma acurácia de teste de 85,1%. Embora tenha mostrado generalização eficaz na classe minoritária, apresentou recall e F1 scores menores em comparação com a variante SVM.
• EfficientNetV2M + SVM: Alcançou uma acurácia de teste de 85,0% com um F1 score de 83,0%. Esta configuração ofereceu a maior especificidade (96,8%) e precisão (83,8%), proporcionando um perfil de precisão-recall mais conservador, adequado para triagem de alta precisão.
• Desempenho Comparativo: O YOLOv11 superou várias linhas de base estabelecidas, incluindo ResNet50 (90%), RegNetY-320 (91%) e DSNet (91,7%). As abordagens híbridas EfficientNet performaram de forma comparável a outras CNNs como MobileNet e InceptionV3 encontradas na literatura prévia.

Significância e Alegações
O artigo afirma que a escolha da arquitetura deve ser guiada pelo contexto clínico operacional específico, em vez de um único "melhor" modelo.

• O YOLOv11 é posicionado como o candidato superior para triagem de alta sensibilidade, onde minimizar malignidades perdidas (falsos negativos) é primordial.
• O EfficientNetV2M + SVM é apresentado como uma alternativa robusta para triagem de alta precisão, oferecendo especificidade superior para reduzir procedimentos de acompanhamento desnecessários.

Os autores concluem que, embora o YOLOv11 estabeleça um novo estado da arte para a acurácia geral neste domínio, as abordagens híbridas EfficientNet oferecem alternativas modulares e flexíveis que equilibram eficácia de precisão e recall. O estudo enfatiza que estes resultados fornecem benchmarks reprodutíveis para pesquisas futuras, embora reconheçam a necessidade de avaliação prospectiva em conjuntos de dados clínicos independentes para validar a generalização além do benchmark ISIC.