Análise comparativa de modelos baseados em deep learning na classificação de acne e rosácea

Abstract

As dermatoses faciais acne e rosácea estão entre as condições mais frequentes na dermatologia, sendo associadas a impactos negativos na qualidade de vida. Por apresentarem sinais visuais semelhantes, sua diferenciação pode ser imprecisa, o que favorece a autoavaliação inadequada. Este trabalho teve como objetivo comparar duas abordagens de aprendizado profundo, utilizando as arquiteturas ResNet50 e InceptionV3 para automatizar a classificação entre acne, rosácea e pele normal, avaliando seu desempenho atuando de forma integral e como extratoras de características somadas aos classificadores SVM, MLP e regressão logística. O conjunto de dados foi composto por 1.002 imagens distribuídas entre as três classes, pré-processadas e divididas em treino, validação e teste. Os oito modelos foram treinados com aprendizado por transferência e avaliados em 10 execuções com sementes aleatórias, utilizando as métricas macro de F1-score, precisão e recall, bem como o teste de Friedman com post-hoc de Nemenyi e análise dos tempos computacionais. Todos os modelos alcançaram F1-score superior a 0,9680, com a ResNet50 apresentando o maior valor de 0,9883. As abordagens híbridas com SVM e regressão logística foram estatisticamente equivalentes às CNNs completas, porém com tempo de treinamento reduzido. Conclui-se que o uso de arquiteturas de aprendizado profundo apresenta alto potencial para o diagnóstico diferencial de dermatoses faciais, podendo atuar como ferramenta de apoio na área dermatológica e contribuindo para avaliações mais eficientes.