VISÃO COMPUTACIONAL A SERVIÇO DO DIAGNÓSTICO DA DOENÇA DE PARKINSON

Resumo

Este capítulo investiga a aplicação de modelos de aprendizado profundo para o diagnóstico da doença de Parkinson (DP) a partir de imagens de testes motores. O estudo explora técnicas de transfer learning em redes neurais convolucionais e compara seu desempenho com um modelo clássico de random forest. Foram exploradas três arquiteturas de redes neurais convolucionais pré-treinadas, ajustadas para a classificação binária indicando presença ou ausência da DP. Como comparação, foi implementado um modelo de random forest com extração de características por histograma de gradientes orientados. O conjunto de dados possui 204 imagens com testes dos tipos onda e espiral, os quais foram divididos em 70% para treinamento e 30% para teste. As métricas de avaliação adotadas incluem acurácia, sensibilidade e especificidade. Para desenhos do tipo onda, o MobileNetV2 obteve a maior acurácia (89,9%), enquanto o ResNet50V2 alcançou a melhor sensibilidade (93,3%). O InceptionV3 destacou-se em especificidade (100%). Para desenhos em espiral, o ResNet50V2 apresentou o melhor desempenho geral (acurácia de 86,6%). O random forest obteve acurácia máxima de 80,6%, inferior às redes neurais. Os resultados demonstram que modelos de aprendizado profundo com transfer learning são eficazes no diagnóstico auxiliado da DP. A escolha do modelo pode variar conforme a prioridade clínica. O modelo MobileNetV2 maximiza a acurácia, enquanto o ResNet50V2 maximiza a sensibilidade e o InceptionV3 minimiza casos de falsos positivos. A aplicação desenvolvida ilustra o potencial de integração dessas técnicas em ferramentas de apoio médico.

DOI: https://doi.org/10.56238/edimpacto2025.091-008