Classificação de Imagens de Câncer Oral Baseadas em Móvel Usando o Vision Transformer e o Swin Transformer

O câncer oral, uma doença maligna abrangente e em rápida expansão, representa uma preocupação significativa para a saúde global. O diagnóstico precoce e preciso é fundamental para melhorar os resultados dos pacientes. Métodos de diagnóstico automático com base em inteligência artificial têm mostrado resultados promissores no campo do câncer oral, mas a precisão ainda precisa ser aprimorada para cenários de diagnóstico realistas. Os Vision Transformers (ViT) superaram recentemente modelos de aprendizado de CNN em muitas tarefas de referência em visão computacional. Este estudo explora a eficácia do Vision Transformer e do Swin Transformer, duas variantes de ponta da arquitetura de transformador, para a aplicação de classificação de imagens de câncer oral baseadas em móvel. O modelo Swin transformer pré-treinado alcançou 88,7% de precisão na tarefa de classificação binária, superando o modelo ViT em 2,3%, enquanto o modelo de rede neural convolucional convencional VGG19 e ResNet50 alcançaram 85,2% e 84,5% de precisão. Nossos experimentos demonstram que essas arquiteturas baseadas em transformador superam redes neurais convolucionais tradicionais em termos de classificação de imagens de câncer oral e ressaltam o potencial do ViT e do Swin Transformer em avançar o estado da arte na análise de imagens de câncer oral.