Comparação de modelos de inteligência artificial para classificação de lesões cancerígenas em imagens de ultrassom mamário

Abstract

O câncer de mama é a neoplasia de maior incidência entre mulheres no Brasil, com mais de 73.600 novos casos entre 2023-2025, e o diagnóstico precoce pode elevar as taxas de cura a até 90%. A ultrassonografia mamária, embora acessível e não invasiva, apresenta limitações de variabilidade interpretativa, motivando a investigação de ferramentas computacionais de apoio ao diagnóstico. Este trabalho desenvolveu e avaliou comparativamente modelos de inteligência artificial para detecção de lesões potencialmente cancerígenas em imagens de ultrassonografia mamária, em duas trilhas complementares: classificação binária, com redes neurais profundas, ResNet50, DenseNet121 e EfficientNet-B7, e métodos clássicos, SVM-RBF, LightGBM e Random Forest; e segmentação semântica, com U-Net e Attention U-Net. Os experimentos foram conduzidos sobre o conjunto público BUS-BRA, com 1.875 imagens de 1.064 pacientes, e o desempenho avaliado por acurácia, sensibilidade, especificidade, F1-score e AUC-ROC na classificação, e por coeficiente Dice e IoU na segmentação, com comparações por bootstrap, McNemar e DeLong. O ResNet50 obteve o melhor desempenho em classificação (AUC-ROC de 0,886; acurácia de 0,848), possivelmente equivalente ao DenseNet121 (p > 0,05) e superior aos demais modelos (p < 0,05). A Attention U-Net superou o U-Net clássico em segmentação (Dice de 0,914; IoU de 0,841). Os resultados evidenciam o potencial dessas arquiteturas como ferramentas de apoio ao diagnóstico precoce do câncer de mama.