Utilizando aprendizado profundo para Identificar MPOX a partir de imagens de lesões em pele humana

Abstract

Recentemente, o mundo se encontrou em uma endemia viral de uma nova variante do Orthopoxvirus, a MPOX, também chamada de Varíola dos Macacos. Assim como os outros vírus da família, seus sintomas são frequentemente visíveis como erupções cutâneas e bolhas ao redor do corpo. No entanto, sua transmissão é feita majoritariamente via contato físico e a mesma pode ser confundida com outras doenças em seu estado inicial. Embora existam testes de RT-PCRs que proporcionem um diagnóstico preciso, eles têm um custo elevado para cada avaliação do paciente. Com este pressuposto, neste trabalho propõe-se um modelo baseado na MobileNet, uma variação de Redes Neurais Convolucionais, com o objetivo de auxiliar na detecção da MPOX. Os experimentos realizados utilizaram um banco de imagens públicas, juntamente com a técnica de transferência de aprendizado na extração de características. O modelo desenvolvido é capaz de gerar duas saídas possíveis: MPOX-positivo ou MPOX-negativo. Para avaliar o desempenho do modelo, foram utilizadas as seguintes métricas: Acurácia, Precisão, Sensibilidade, Medida F1 e a curva ROC. Essas métricas foram escolhidas para avaliar cada aspecto do modelo e também a qualidade do banco de imagens, a fim de evitar problemas de sobreajuste. Todas as etapas do algoritmo e a geração do modelo foram executadas na plataforma gratuita do Google Colaboratory. Nos experimentos realizados foram obtidas as seguintes métricas: 89,02% de Acurácia, 92,46% de Precisão, 84,96% de Sensibilidade, 88,55% na Medida F1 e uma Área Sobre a Curva ROC de 89%. Esses resultados indicam que o modelo possui um desempenho satisfatório e consistente na detecção da MPOX, tornando-o uma ferramenta útil para médicos e profissionais da saúde no diagnóstico de possíveis pacientes com a doença.

Recently, the world has found itself in a viral endemic of a new variant of the Orthopoxvirus, MPOX, also called Monkeypox. Like the other viruses in the family, its symptoms are often visible as rashes and blisters around the body. However, its transmission is mostly via physical contact, and it can be mistaken for other diseases in its early stages. Although there are RT-PCR tests that provide an accurate diagnosis, they are costly for each patient’s evaluation. With this assumption, in this paper, we propose a model based on MobileNet, a variation of Convolutional Neural Networks, to assist in the detection of MPOX. The experiments performed used a public image bank along with the transfer learning technique in feature extraction. The developed model is capable of returning two possible outputs: MPOX-positive or MPOX-negative. To evaluate the performance of the model, the following metrics were used: accuracy, precision, sensitivity, F1 score, and the ROC curve. These metrics were chosen to evaluate each aspect of the model and the quality of the image bank to avoid overfitting. All steps of the algorithm and the generation of the model were performed on the free platform of Google Colaboratory. In the experiments performed, the following metrics were obtained: 89.02% accuracy, 92.46% precision, 84.96% recall, 88.55% F1 score, and an area on the ROC curve of 89%. These results indicate that the model has a satisfactory and consistent performance in detecting MPOX, making it a useful tool for physicians and healthcare professionals in diagnosing potential patients with the disease.