Visão computacional em medicina
Redes neurais podem apoiar tarefas de triagem visual quando há protocolo experimental, rastreabilidade e validação.
O Desafio Clínico e a Pesquisa
Fundamentação técnica sem esconder limites clínicos. O risco central é não deixar um caso de ALL passar como normal.
A tarefa computacional é binária, mas o impacto dos erros não é simétrico. Os fundamentos e os desafios clínicos foram estabelecidos para lidar com Falsos Negativos como eventos críticos e inaceitáveis na triagem.
Restrição clínica central
Um falso negativo significa que uma célula potencialmente leucêmica foi classificada como normal. Por isso, a arquitetura de consenso deve destacar qualquer indício relevante de ALL para revisão humana.
HEM
Classe normal
Célula hematopoética normal no protocolo binário do projeto. A saída nunca deve sugerir liberação clínica automática.
ALL
Classe positiva crítica
Célula associada à Leucemia Linfoblástica Aguda. O sistema deve priorizar sensibilidade e transparência do alerta.
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 risco de decisão isolada.
Objetivos específicos
Classificar imagens celulares em HEM ou ALL.
Priorizar recall de ALL e reduzir falsos negativos.
Gerar explicações visuais auditáveis.
Combinar modelos para reduzir dependência de uma única arquitetura.
Produzir informações estruturadas para pré-laudo de apoio.
Manter rastreabilidade e revisão humana no centro do fluxo.
Limitações
Não realiza diagnóstico clínico definitivo.
Os datasets suportam HEM vs ALL, não estadiamento clínico.
Resultados precisam de validação por especialista.
Heatmaps indicam influência computacional, não causalidade clínica.
Fundamentação Técnica
Leucemia Linfoblástica Aguda
A distinção HEM vs ALL exige leitura morfológica cuidadosa e reforça o custo clínico do falso negativo.
CNNs
Convoluções, filtros, mapas de características e transfer learning sustentam ResNet, DenseNet, MobileNet e EfficientNet.
Transformers visuais
O ViT divide a imagem em patches e usa self-attention para capturar relações globais.
SaMD e responsabilidade clínica
O DALI deve ser apresentado como apoio à decisão com revisão humana, não como diagnóstico automático.