EUVIMEDEUVIMED entdecken
Crossref

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

Carla Lopes Jovito, Luciano Freitas Sales, Weverson Garcia Medeiros Garcia Medeiros, Osmam Brás de Souto, Vitória Sousa Lavrista, Suene Silva Silva

Brazilian Journal of Radiation Technology Research (ISSN 2966-4292) · 10.03.2026 · 2 (01)

DOI: 10.70745/bjrtr.v2.161 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Brazilian Journal of Radiation Technology Research (ISSN 2966-4292), online erschienen am 10.03.2026. Verfasst von Carla Lopes Jovito und 5 weiteren Autor:innen.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

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.

Zitieren

APA

Jovito, C. L., Sales, L. F., Medeiros, W. G. M. G., Souto, O. B. D., Lavrista, V. S., & Silva, S. S. (2026). Resumo Análise comparativa de arquiteturas de deep learning para apoio à prevenção e detecção do câncer de mama Projeto Rosa.IA. Brazilian Journal of Radiation Technology Research (ISSN 2966-4292), 2(01). https://doi.org/10.70745/bjrtr.v2.161

Vancouver

Jovito CL, Sales LF, Medeiros WGMG, Souto OBD, Lavrista VS, Silva SS. Resumo Análise comparativa de arquiteturas de deep learning para apoio à prevenção e detecção do câncer de mama Projeto Rosa.IA. Brazilian Journal of Radiation Technology Research (ISSN 2966-4292). 2026;2(01). doi:10.70745/bjrtr.v2.161

BibTeX
@article{Jovito2026,
  author = {Jovito, Carla Lopes and Sales, Luciano Freitas and Medeiros, Weverson Garcia Medeiros Garcia and Souto, Osmam Brás de and Lavrista, Vitória Sousa and Silva, Suene Silva},
  title = {Resumo Análise comparativa de arquiteturas de deep learning para apoio à prevenção e detecção do câncer de mama Projeto Rosa.IA},
  journal = {Brazilian Journal of Radiation Technology Research (ISSN 2966-4292)},
  year = {2026},
  volume = {2},
  number = {01},
  doi = {10.70745/bjrtr.v2.161}
}
Kostenlos starten →