Uma Abordagem de Aprendizado Profundo para Detecção de Desnutrição

A detecção oportuna de desnutrição em crianças é de suma importância, pois permite uma intervenção e tratamento precoces. Essa abordagem proativa não apenas previne a deterioração da saúde, mas também promove um crescimento adequado, minimizando as consequências de longo prazo da desnutrição, como crescimento prejudicado, desenvolvimento cognitivo comprometido e maior vulnerabilidade a doenças. Nosso trabalho abrange a criação de um novo conjunto de dados contendo imagens de crianças nas categorias Saudável, Subnutrido, Retardo de Crescimento e Emagrecimento. O objetivo principal é avaliar o desempenho do modelo de aprendizado profundo na classificação dessas imagens de crianças. A experimentação é realizada variando épocas, tamanho de lote, otimizadores AdamW, Adamax e RMSprop; e diferentes valores da taxa de aprendizado 0.1, 0.01, 0.001 e 0.0001 durante o treinamento do modelo. O modelo é treinado em um conjunto de dados de imagens construído pela limpeza de imagens geradas pelo modelo de difusão estável. O modelo é testado em imagens de crianças selecionadas aleatoriamente de sites. O modelo classificou com sucesso duas classes com 95% de precisão, 97.6% de pontuação F1, precisão de 97.6% e 97.6% de recall com otimizadores Adam, taxa de aprendizado de 0.0001 e tamanho de lote 4. Além disso, para o cenário de categorização de quatro classes, o estudo amplia a classificação. O modelo alcançou 88.87% de precisão, 90.3% de recall, 90.2% de precisão e uma pontuação F1 de 90% para categorização de quatro classes com otimização AdamW, taxa de aprendizado de 0.0001 e tamanho de lote 6. Esses resultados são satisfatórios para a previsão da categoria de desnutrição em crianças.