Resumo Análise comparativa de arquiteturas de deep learning para apoio à prevenção e detecção do câncer de mama Projeto Rosa.IA

Análise comparativa de arquiteturas de deep learning para apoio à prevenção e detecção do câncer de mama Projeto Rosa.IA

Resumo

Introdução: O câncer de mama permanece como uma das principais causas de mortalidade entre mulheres, devido sobretudo ao diagnóstico tardio e à baixa adesão aos exames preventivos (INCA, 2024). Nesse cenário, o acesso à informação de qualidade torna-se essencial para favorecer a detecção precoce e a adesão ao tratamento (GOMES et al., 2024). O projeto RosaIA surgiu como um chatbot integrado ao WhatsApp, utilizando inteligência artificial para fornecer orientações educativas e personalizadas sobre prevenção, diagnóstico e tratamento do câncer de mama (FREITAS et al., 2024). O avanço da Inteligência Artificial (IA), em especial das técnicas de deep learning, tem impulsionado o desenvolvimento de ferramentas que auxiliam radiologistas e sistemas de saúde na interpretação de exames de imagem. Entre os modelos mais destacados encontram-se a ResNet e o Mirai. A arquitetura ResNet, apresentada em 2016 no artigo Deep Residual Learning for Image Recognition, revolucionou a visão computacional ao introduzir conexões residuais, permitindo treinar redes muito profundas sem degradação de desempenho (CVPR, 2016). O modelo Mirai, descrito em 2021 em Toward Robust Mammography-Based, foi desenvolvido para prever o risco de câncer de mama em horizontes de até cinco anos, utilizando mamografias e validado em diferentes populações internacionais (Science Translational Medicine, 2021). Diante disso, torna-se relevante avaliar comparativamente essas arquiteturas e identificar qual delas se mostra mais adequada ao RosaIA APP, um aplicativo que será desenvolvido em 2026 por meio de uma projeto de iniciação, com foco na prevenção, detecção precoce e apoio digital ao paciente oncológico. Objetivo: Realizar uma análise comparativa entre as arquiteturas de deep learning ResNet e Mirai, investigando suas características técnicas, desempenho em diferentes tarefas de visão computacional, potencial de aplicação em exames radiológicos, além de suas principais limitações e requisitos computacionais. Busca-se, ainda, compreender em que medida cada uma dessas arquiteturas pode contribuir para soluções em saúde digital, especialmente no apoio à prevenção, à detecção precoce e ao acompanhamento de pacientes oncológicos no contexto do aplicativo RosaIA APP. Metodologia: Foi conduzida uma revisão de literatura em bases científicas internacionais (PubMed, IEEE Xplore, ScienceDirect e RSNA), contemplando artigos originais e revisões sistemáticas publicados entre 2016 e 2025. A análise comparativa baseou-se em cinco dimensões principais: (I) desempenho em tarefas de classificação e predição de risco; (II) generalização para diferentes modalidades de imagem radiológica; (III) custo computacional, incluindo tempo de inferência e escalabilidade em dispositivos móveis; (IV) interpretabilidade dos resultados por meio de técnicas como Grad-CAM e mapas de atenção; e (V) aplicabilidade clínica em cenários reais de rastreamento e apoio diagnóstico. Foram selecionados artigos-chave que descrevem a concepção da ResNet (He et al., 2016) e do Mirai (Yala et al., 2021), bem como estudos recentes de validação externa do Mirai em populações multiétnicas e latino-americanas. Resultados esperados: A análise aponta que a ResNet se destaca por sua versatilidade e adaptabilidade. Como arquitetura base (backbone), ela pode ser aplicada tanto em tarefas de classificação de imagens quanto em detecção e segmentação, além de se beneficiar amplamente de técnicas de transfer learning. Essa flexibilidade a torna adequada para diferentes exames radiológicos, como mamografias, tomografias e radiografias de tórax. Além disso, variantes leves da ResNet (ex.: ResNet-18 e ResNet- 34) permitem a execução em dispositivos com recursos limitados, favorecendo a implantação em aplicativos móveis como o RosaIA APP. Em contrapartida, o Mirai mostra alto desempenho na predição de risco específico de câncer de mama, superando modelos clínicos tradicionais e se mostrando robusto em diferentes instituições e populações. Contudo, sua especialização reduz a aplicabilidade a outros cenários de imagem, e sua implementação exige maior padronização das entradas e infraestrutura computacional. Assim, espera-se que a ResNet apresente um equilíbrio mais favorável entre desempenho, escalabilidade e aplicabilidade clínica no contexto do RosaIA APP. Conclusão: A comparação entre ResNet e Mirai evidencia que ambas as arquiteturas possuem pontos fortes relevantes: o Mirai é altamente eficaz para risco mamográfico em longo prazo, enquanto a ResNet se mostra mais abrangente e escalável. Para o desenvolvimento do RosaIA APP, que visa atuar como um aplicativo de apoio oncológico e educacional em saúde digital, a ResNet se configura como a escolha mais apropriada. Sua capacidade de adaptação a diferentes modalidades de imagem, aliada ao suporte robusto da comunidade científica e ao menor custo de integração em dispositivos móveis, justifica sua adoção como arquitetura central. Dessa forma, a escolha da ResNet fortalece a proposta do RosaIA enquanto solução inovadora que une tecnologia, ciência e cuidado em saúde.