Ciências Exatas e da Terra
Ciência da Computação
Resumo
O câncer compreende um conjunto de mais de cem patologias caracterizadas por alterações morfológicas complexas. Diante desse panorama, o presente estudo tem como objetivo investigar a aplicabilidade de redes neurais convolucionais (CNNs), bem como do aprendizado por transferência (transfer learning), na tarefa de reconhecimento de padrões morfológicos em lâminas histológicas de diferentes origens tumorais. Para tanto, foi desenvolvido um pipeline metodológico que contempla desde a normalização das amostras até a implementação de algoritmos de busca por arquiteturas de redes neurais otimizadas para cada subtarefa. Posteriormente, os modelos foram avaliados por meio de métricas estatísticas, com ênfase na comparação entre a ResNet50 — modelo pré-treinado — e CNNs de arquitetura simples. Os resultados obtidos evidenciam o potencial dessas abordagens como ferramentas de apoio à análise anatomopatológica, com destaque para sua aplicabilidade no suporte ao diagnóstico clínico e na redução da subjetividade inerente à avaliação manual
Palavras-chave: Aprendizado Profundo, Patologia Computacional, Classificação Histopatológica