Modelo híbrido, que combina redes convolucionais e transformers, alcança alta precisão em radiografias de tórax e pode contribuir com trabalho de especialistas
Carlos Mendes
Possui graduação em Ciências Contábeis pela Faculdade Pitágoras do Maranhão e em Ciência da Computação pela Universidade Federal do Maranhão (UFMA).
VENCEDOR DO PRÊMIO FAPEMA 2025
Categoria: Jovem Cientista
Área de conhecimento: Ciências Exatas e de Engenharia
Título: Diagnóstico de tuberculose em imagens de radiografia utilizando CvT
Orientador: Darlan Bruno Pontes Quintanilha
A tuberculose é uma das doenças infecciosas que mais matam no mundo, em grande parte devido ao diagnóstico tardio. A Secretaria de Estado da Saúde do Maranhão (SES/MA) informa que foram registrados 3.941 casos de tuberculose em 2024 e 3.271 casos em 2025 no estado, ou seja, houve uma redução de 17%. Os dados também apontam alta taxa de abandono do tratamento, mostrando um cenário preocupante que reflete na resistência dos medicamentos e nos índices de mortalidade. Paralelamente, na área do diagnóstico, a radiografia de tórax – que é ferramenta decisiva para identificar a doença – mostra escassez de profissionais e dificulta a análise dos exames e o tratamento precoce.
Diante desse cenário, uma pesquisa aposta em sistemas de Diagnóstico Assistido por Computador (CAD), baseados em inteligência artificial e visão computacional, como alternativa na detecção da doença. Trata-se do estudo ‘Diagnóstico de tuberculose em imagens de radiografia utilizando CvT’, do pesquisador da Universidade Federal do Maranhão (UFMA), Carlos Mendes dos Santos Neto, sob orientação do doutor em Engenharia Elétrica, pela UFMA, Darlan Bruno Pontes Quintanilha.
Essas soluções se mostraram eficientes pelo baixo custo operacional e pela possibilidade de apoiar profissionais de saúde em locais com infraestrutura limitada. “A IA não substitui o médico, mas amplia sua capacidade de decisão, principalmente onde faltam especialistas”, explica um dos pesquisadores envolvidos no estudo.
O estudo acompanha tendência dos últimos anos, que utiliza diferentes abordagens para detectar tuberculose, em imagens de radiografia. Pesquisas anteriores apontaram o potencial das Redes Neurais Convolucionais (CNNs) para identificar anormalidades pulmonares, com resultados expressivos em bases de dados internacionais. Ainda assim, limitações relacionadas à captura de relações globais nas imagens motivaram a busca por uma alternativa mais avançada.
Com o surgimento dos Vision Transformers (ViT), ferramentas capazes de modelar dependências de longo alcance em imagens, o foco destas pesquisas se ampliou. “É um avanço se pensarmos que, até recentemente, havia uma lacuna na literatura com ausência de modelos que combinassem, em uma única arquitetura, a extração eficiente de características locais das CNNs com a capacidade global dos transformers, aplicada ao diagnóstico da tuberculose”, ressalta o pesquisador.
Com o surgimento dos Vision Transformers (ViT), ferramentas capazes de modelar dependências de longo alcance em imagens, o foco destas pesquisas se ampliou. “É um avanço se pensarmos que, até recentemente, havia uma lacuna na literatura com ausência de modelos que combinassem, em uma única arquitetura, a extração eficiente de características locais das CNNs com a capacidade global dos transformers, aplicada ao diagnóstico da tuberculose”, ressalta o pesquisador.
Para preencher esse vazio, o estudo propôs o uso dos Convolutional Vision Transformers (CvT) no diagnóstico da tuberculose pulmonar em radiografias de tórax. O objetivo foi desenvolver um sistema robusto e preciso que pudesse auxiliar médicos na detecção precoce da doença. “A ideia é unir o melhor dos dois mundos e criar uma ferramenta realmente eficaz para a prática clínica”, resume Carlos Mendes Neto.
Aplicação do método
A metodologia foi estruturada em etapas bem definidas, começando pela aquisição das imagens do Shenzhen Dataset, que reúne 662 exames de radiografia de tórax, entre casos normais e positivos para tuberculose. As imagens passaram por um processo de padronização e realce de contraste com o algoritmo CLAHE, além de redimensionamento e normalização para facilitar o treinamento da rede neural.
Na fase de classificação, foi utilizada a arquitetura CvT-13, escolhida pelo equilíbrio entre desempenho e leveza computacional. Para lidar com o desequilíbrio entre classes, os pesquisadores adotaram a função de perda Focal Loss, que prioriza exemplos mais difíceis de classificar. “Esse cuidado é fundamental em aplicações médicas, onde erros podem ter consequências graves”, destaca o estudo.
Os resultados chamaram a atenção. No conjunto de teste, o modelo alcançou acurácia de 93,13%, AUC de 0,9716 e F1-score de 92,68%, demonstrando desempenho robusto e equilibrado. Ao comparar com estudos anteriores que utilizaram a mesma base de dados, o método proposto superou abordagens consagradas baseadas apenas em CNNs.
Para avaliar a capacidade de generalização, o modelo também foi testado na base Montgomery County, sem novo treinamento. Embora não tenha superado alguns resultados específicos da literatura, o desempenho foi considerado competitivo. De acordo com o relatório da pesquisa, “os testes externos mostram que a arquitetura é promissora, mas ainda há espaço para melhorias, especialmente na generalização”. Pela relevância da pesquisa, ele conquistou o Prêmio FAPEMA 2025, na categoria Jovem Cientista, área de Ciências Exatas e Engenharias.
Impacto no diagnóstico
Além da contribuição científica, o trabalho tem forte impacto social e regional. No Maranhão, onde os casos de tuberculose cresceram após a pandemia de Covid-19 e a falta de radiologistas é um desafio, a solução pode ampliar o acesso ao diagnóstico precoce.
Futuras pesquisas devem explorar elementos neste processo como ajustes na arquitetura CvT, técnicas de ensemble e validação cruzada, com objetivo de tornar o sistema ainda mais robusto. O pesquisador esclarece que a expectativa é que a combinação entre inteligência artificial e políticas públicas possa ajudar a reduzir desigualdades e melhorar o combate à tuberculose. “Queremos que a tecnologia seja uma grande aliada estratégica da saúde pública nos procedimentos voltados ao combate desta doença”, conclui.
