Este trabalho foi publicado pelo Galoá e tem um DOI depositado. Para citar este trabalho, use um dos padrões abaixo:
Caso você seja um dos co-autores e queira cadastrar esse trabalho no seu Currículo Lattes, use o seguinte código: doi > 10.17648/cics-2025-216793
Se você NUNCA registrou um DOI no seu Lattes, veja nosso tutorial!O câncer de mama constitui uma das principais causas de mortalidade entre mulheres no Brasil, tornando a detecção precoce um fator determinante para a eficácia terapêutica. Nesse contexto, o presente estudo teve como objetivo realizar uma avaliação sistemática e comparativa de dez arquiteturas de Redes Neurais Convolucionais (RNCs) pré-treinadas no ImageNet, aplicadas à classificação binária de mamografias digitais em achados benignos e malignos. A pesquisa utilizou o banco público VinDr- Mammo, composto por mais de 20 mil imagens anonimizadas, assegurando reprodutibilidade e transparência. O processo metodológico incluiu pré-processamento padronizado, aumento de dados e aplicação de transfer learning com substituição da camada final de classificação. As arquiteturas avaliadas incluíram ResNeXt-50, ResNet-101, DenseNet-121, MobileNet v2, EfficientNet-B0, ResNet-50, EfficientNet-B4, ShuffleNet v2, VGG16 e SqueezeNet 1.1. A análise de desempenho foi conduzida por métricas padrão, como acurácia, precisão, recall, especificidade, F1-Score e AUC, complementadas por matrizes de confusão e curvas ROC. Os resultados demonstraram desempenho modesto, com AUCs variando entre 0,59 e 0,61, mas suficientes para estabelecer uma linha de base honesta e reprodutível para futuras otimizações via fine-tuning. Constatou-se que a ResNeXt-50 apresentou perfil mais equilibrado entre falsos positivos e falsos negativos, sendo mais promissora para cenários clínicos. Conclui-se que, embora a performance inicial seja limitada, o estudo contribui ao campo da inteligência artificial em saúde ao oferecer uma comparação robusta entre diferentes arquiteturas, evidenciando a importância de metodologias progressivas para alcançar robustez clínica e generalização.
Com ~200 mil publicações revisadas por pesquisadores do mundo todo, o Galoá impulsiona cientistas na descoberta de pesquisas de ponta por meio de nossa plataforma indexada.
Confira nossos produtos e como podemos ajudá-lo a dar mais alcance para sua pesquisa:
Esse proceedings é identificado por um DOI , para usar em citações ou referências bibliográficas. Atenção: este não é um DOI para o jornal e, como tal, não pode ser usado em Lattes para identificar um trabalho específico.
Verifique o link "Como citar" na página do trabalho, para ver como citar corretamente o artigo