AUXÍLIO AO DIAGNÓSTICO DE GLAUCOMA UTILIZANDO APRENDIZAGEM PROFUNDA: uma avaliação comparativa de arquiteturas de redes neurais convolucionais
Glaucoma; Inteligência Artificial; Aprendizagem Profunda; Redes Neurais Convolucionais; Retinografia
Glaucoma é uma neuropatia óptica progressiva e uma das principais causas de cegueira irreversível no mundo, exigindo métodos eficientes para diagnóstico precoce. Este estudo propõe e avalia uma abordagem híbrida de inteligência artificial para detecção automática de glaucoma a partir de retinografias. Foram comparadas três arquiteturas de redes neurais convolucionais (LeNet, VGG-16 e ResNet-50) atuando como extratoras de características, seguidas por algoritmos de aprendizado de máquina tradicional. Utilizou-se a base pública RIM-ONE DL, composta por 447 imagens, submetidas a redimensionamento para 28×28 pixels e balanceamento de classes via SMOTE. A validação empregou validação cruzada estratificada 10-fold repetida 30 vezes (300 avaliações por configuração). A combinação ResNet-50 com SVM polinomial apresentou o melhor desempenho, com acurácia média de 90,19%, sensibilidade de 91,35% e índice Kappa de 0,80. Destaca-se o desempenho da LeNet combinada ao Random Forest, que atingiu acurácia de 89,46%, diferença marginal em relação às redes profundas. Conclui-se que a abordagem proposta é eficaz e que arquiteturas computacionalmente leves capturam padrões discriminativos essenciais do glaucoma, sugerindo viabilidade para implementações em dispositivos móveis e cenários de recursos limitados.