DIAGNÓSTICO DE GLOMERULOESCLEROSE USANDO COMITÊS DE REDES NEURAIS CONVOLUCIONAIS

Abstract

RESUMO: A glomeruloesclerose é uma doença renal comum, caracterizada pela deposição de tecido cicatrizado que substitui o parênquima renal. Seu diagnóstico é baseado na análise histológica de biópsia da região cortical do rim por patologistas para indicar a presença e a extensão do dano. Para orientar o tratamento adequado e minimizar as chances da doença evoluir para estágios crônicos, o diagnóstico precoce é fundamental. No entanto, essa tarefa pode ser demorada e fatigante para o especialista. Nesse sentido os sistemas de diagnóstico auxiliado por computador servem ao médico oferecendo-lhe informações que podem ajudá-lo a diagnosticar doenças de forma mais rápida e menos trabalhosa. Para identificar glomérulo com esclerose, propomos um comitê de redes neurais convolucionais (Convolutional Neural Networks - CNN). Adaptamos cinco CNNs: DenseNet, EfficientNet, Inception, ResNet e VGG, com várias configurações de camadas totalmente conectadas. No total, foram avaliados 25 modelos diferentes, dos quais foram selecionados os membros votantes dos comitês formados. Avaliamos o treinamento com estágio único e com estratégia de dois estágios: primeiro treinamos somente a parte densa, depois foi feito um ajuste fino em toda a rede. Os experimentos foram realizados em três conjuntos de dados, compostos por 2.158 imagens ao todo, sendo 58% imagens de glomérulos diagnosticados com glomeruloesclerose e 42% saudáveis. Ainda aplicamos aumento de dados no conjunto de treinamento promovendo mais robustez ao modelo, resistência a overfitting e maior capacidade de generalização. Utilizando comitês de classificadores, nos conjuntos de testes, alcançamos acurácia média de 92,8%, AUC de 98,1% e kappa de 85,2%, considerado excelente. Entre as conclusões verificamos que o treinamento das CNNs em dois estágios é essencial para preservar transferência de aprendizado e o uso de comitês supera a performance das CNNs individualmente nessa tarefa de classificação. ABSTRACT: Glomerulosclerosis is a common kidney disease characterized by the deposition of scar tissue that replaces renal parenchyma. Its diagnosis is based on the histological analysis of biopsies from the renal cortex, performed by pathologists to assess the presence and extent of damage. Early diagnosis is crucial to guide appropriate treatment and minimize the risk of the disease progressing to chronic stages. However, this task can be time-consuming and exhausting for specialists. In this context, computer-aided diagnosis systems assist physicians by providing information that can help them diagnose diseases more quickly and with less effort. To identify glomeruli with sclerosis, we propose a committee of Convolutional Neural Networks (CNNs). We adapted five CNNs: DenseNet, EfficientNet, Inception, ResNet, and VGG, with various configurations of fully connected layers. In total, 25 different models were evaluated, from which the voting members of the formed committees were selected. We assessed both single-stage training and a two-stage strategy: first, we trained only the dense layers, followed by fine-tuning the entire network. The experiments were conducted on three data sources, comprising a total of 2,158 images, with 58% of the images diagnosed as glomeruli with glomerulosclerosis and 42% as healthy. We also applied data augmentation to the training set, enhancing the model’s robustness, resistance to overfitting, and generalization capability. Using classifier committees, we achieved an average accuracy of 92.8%, AUC of 98.1%, and kappa of 85.2% on the test sets, which is considered excellent. Among our conclusions, we found that two-stage CNN training is essential to preserve transfer learning, and the use of committees outperforms the individual CNNs in this classification task.