w 1.00
ResNet50
CNN residual
Âncora histórica e baseline validado nas fases anteriores.
XAI: Grad-CAM, Guided Backpropagation e Guided Grad-CAM
Limiar: 0.50
Pesquisa aplicada · Deep learning · XAI
DALI
Diagnóstico Assistido de Leucemia por Imagem
Junta de modelos explicáveis para apoio à decisão médica. O sistema analisa imagens de células sanguíneas, combina cinco arquiteturas, gera evidências XAI e aplica uma regra conservadora contra falso negativo de ALL.
ResNet
DenseNet
ViT
MobileNet
EffNetV2
Fluxo de Funcionamento
Imagem
Junta
XAI
Consenso
Pré-laudo
Junta de modelos
5
CNNs, ViT e âncora histórica ResNet50
Classe positiva crítica
ALL
Falso negativo é tratado como erro prioritário
XAI disponível
4 técnicas
Grad-CAM, Guided Backprop, Guided Grad-CAM e Attention Rollout
API de inferência
FastAPI
Contrato auditável para consenso e pré-laudo
Problematização
O problema não é prever por prever. É reduzir o risco de perder um caso de ALL.
A tarefa computacional do DALI classifica imagens celulares em HEM ou ALL. A restrição clínica central é clara: falso negativo de ALL deve ser tratado como erro crítico.
HEM
Célula hematopoética normal
Classe negativa no protocolo binário. Um resultado HEM ainda deve ser interpretado como apoio técnico, não como liberação clínica.
ALL
Leucemia Linfoblástica Aguda
Classe positiva de maior risco. Qualquer indício relevante deve elevar alerta e exigir revisão humana.
Objetivo geral
Desenvolver um sistema de apoio à decisão médica que classifique imagens celulares, apresente explicações visuais auditáveis e utilize consenso entre modelos para reduzir dependência de uma decisão isolada.
Comparar arquiteturas profundas
Priorizar métricas da classe ALL
Gerar mapas explicáveis
Organizar evidências para pré-laudo
Metodologia e junta
Cinco arquiteturas observam a mesma imagem por vieses diferentes.
O DALI evita confiar em uma única rede neural. A junta combina CNNs consolidadas, modelo leve, EfficientNetV2 e Transformer visual, com pesos e thresholds calibrados no mecanismo de consenso.
w 1.05
DenseNet121
CNN densamente conectada
Referência acadêmica eficiente para imagens médicas.
XAI: Grad-CAM, Guided Backpropagation e Guided Grad-CAM
Limiar: 0.94
w 1.20
ViT-B/16
Transformer visual
Perspectiva global por self-attention entre patches da imagem.
XAI: Attention Rollout e mapas por patch
Limiar: 0.34
w 0.60
MobileNetV3-Large
CNN leve
Baixo recurso, triagem rápida e caminho futuro para edge deployment.
XAI: Grad-CAM, Guided Backpropagation e Guided Grad-CAM
Limiar: 0.56
w 1.18
EfficientNetV2-S
CNN escalável
CNN moderna de alto desempenho com custo controlado.
XAI: Grad-CAM, Guided Backpropagation e Guided Grad-CAM
Limiar: 0.35
Consenso conservador
O dashboard expõe concordância, divergência e incerteza.
O consenso combina voto discreto, probabilidade ponderada, desempenho histórico, qualidade XAI e uma regra clínica conservadora. Desacordo não é ruído visual: é evidência que precisa aparecer.
Cena de consenso
Cinco pessoas analisam a mesma célula antes do acordo final.
A visualização separa análise individual, confiança, divergência e decisão consolidada.
sample_cell.png
Pessoa 1
R50 · ResNet50
núcleo com ativação forte
confiança88%
Pessoa 2
D121 · DenseNet121
textura celular suspeita
confiança92%
Pessoa 3
ViT · ViT-B/16
patches centrais dominantes
confiança96%
Pessoa 4
MNet · MobileNetV3-L
voto divergente, baixa confiança
confiança54%
Pessoa 5
EffV2 · EfficientNetV2-S
XAI coerente na célula
confiança91%
5 vozes independentes
Voto individual
Cada modelo retorna HEM ou ALL, probabilidades, confiança e tempo de inferência.
média calibrada
Probabilidade ponderada
Pesos atuais variam de 0.60 a 1.20 conforme desempenho e papel na junta.
auditoria visual
Qualidade XAI
Mapas coerentes elevam confiança; ativação em fundo, borda ou artefato reduz confiança.
bloqueio de falso negativo
Regra conservadora
Qualquer indício relevante de ALL deve ser destacado para revisão humana.
Status finais previstos
Modelos robustos atuais: ResNet50, DenseNet121, ViT-B/16, EfficientNetV2-S.
alta_confianca_allalta_confianca_hemdesacordosinal_criticobaixa_confiancafalha_xai
XAI e interpretação
Leitura segura dos mapas
Um heatmap coerente tende a concentrar sinal na célula. Ativação dominante em fundo, borda, artefato ou marcação deve aparecer como alerta e reduzir confiança.
XAI interativo
Aplique uma camada visual sobre a célula de microscopia.
Heatmap
Grad-CAM
camada_ativaGrad-CAM
Áreas quentes indicam influência do modelo.
Mapas diferentes entre modelos podem revelar desacordo visual.
XAI não substitui especialista nem valida diagnóstico.
Teste de API
A simulação operacional do fluxo consolidado pela API real.
A arquitetura integra upload seguro, validação de imagem, execução simultânea em cinco modelos e consolidação do consenso clínico com visualização XAI e geração do pré-laudo.
Entrada de Dados
amostra-celular.png
224x224 pxDataset C-NMC
Análise Simultânea
Vazio
Área de upload sem resultado sintético exibido.
ResNet
CNN
aguardando
DenseNet
CNN
aguardando
ViT
Transformer
aguardando
MobileNet
CNN
aguardando
EffNetV2
CNN
aguardando
Protocolo de Segurança Crítica
"Qualquer sinalização de ALL suspende processos automáticos e impõe revisão humana mandatória."
Rastreabilidade Auditável
Geração de pacotes de dados contendo assinaturas de modelos, pesos do consenso e evidências XAI.
Dashboard de métricas
O dashboard começa pelo risco, não pela acurácia.
Métricas prioritárias: recall de ALL, falsos negativos, F1 de ALL, specificity, ROC-AUC, PR-AUC, tempo de inferência, custo computacional e origem do experimento.
Painel de decisão
Primeiro o risco, depois a métrica geral.
O painel destaca recall de ALL e falso negativo antes de accuracy. Essa ordem evita que uma média boa esconda perda de casos positivos.
Maior recall ALL
98.66%
ViT-B/16
Menor falso negativo
1.34%
ViT-B/16
Melhor F1 ALL
88.11%
ResNet50
Maior specificity
58.39%
DenseNet121
Ranking de risco
Falso negativo por modelo
1
ViT-B/16
threshold 0.34
1.34%
2
ResNet50
threshold 0.82
3.83%
3
EfficientNetV2-S
threshold 0.35
4.27%
4
DenseNet121
threshold 0.94
8.67%
5
MobileNetV3-L
threshold 0.56
20.02%
Comparativo final
Métricas por modelo
Alterne a métrica sem mudar o eixo visual. Falso negativo usa escala própria para não ficar ilegível.
Carregando gráfico...
Treinamento
Evolução por época
Curvas nativas a partir dos CSVs de treinamento. Métricas percentuais permanecem na escala 0-1.
Carregando gráfico...
Detalhe por arquitetura
Treino vs validação
Threshold
0.82
FN
94
FP
544
Carregando gráfico...
Erros por modelo
FN e FP no limiar otimizado
O gráfico separa o que impacta triagem de ALL e o que aumenta revisão desnecessária.
Carregando gráfico...
Métricas completas de validação
Tabela nativa com todos os campos principais dos CSVs `validation_metrics`.
| Modelo | Threshold | Accuracy | Precision | Recall | Specificity | F1 | Balanced Acc. | MCC | ROC-AUC | PR-AUC | FNR | FPR | TN | FP | FN | TP |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| ResNet50 | 0.82 | 82.0% | 81.3% | 96.2% | 50.4% | 88.1% | 73.3% | 0.557 | 84.3% | 90.5% | 3.8% | 49.6% | 552 | 544 | 94 | 2363 |
| DenseNet121 | 0.94 | 78.7% | 82.2% | 87.4% | 60.5% | 84.7% | 74.0% | 0.499 | 82.9% | 89.6% | 12.6% | 39.5% | 704 | 459 | 304 | 2114 |
| ViT-B/16 | 0.34 | 86.0% | 83.8% | 98.3% | 60.4% | 90.4% | 79.3% | 0.677 | 93.0% | 95.6% | 1.7% | 39.6% | 702 | 461 | 42 | 2376 |
| MobileNetV3-L | 0.56 | 72.8% | 80.4% | 78.9% | 60.1% | 79.6% | 69.5% | 0.386 | 75.7% | 84.6% | 21.1% | 39.9% | 699 | 464 | 511 | 1907 |
| EfficientNetV2-S | 0.35 | 86.1% | 84.7% | 96.9% | 63.6% | 90.4% | 80.3% | 0.677 | 90.3% | 93.2% | 3.1% | 36.4% | 740 | 423 | 74 | 2344 |
Equipe
A Equipe DALI
Os membros responsáveis pela engenharia, pesquisa e desenvolvimento do Diagnóstico Assistido de Leucemia por Imagem.