Uma estrutura robusta de aprendizado profundo para classificação multiclass de câncer de pele

O câncer de pele representa uma preocupação significativa para a saúde global, onde o diagnóstico precoce e preciso desempenha um papel fundamental na melhoria da eficácia do tratamento e nas taxas de sobrevivência dos pacientes. No entanto, as semelhanças visuais inerentes entre lesões benignas e malignas apresentam desafios substanciais para uma classificação precisa. Para superar esses obstáculos, este estudo propõe um modelo híbrido inovador de aprendizado profundo que combina blocos ConvNeXtV2 e mecanismos de autoatenção separável, adaptados para melhorar a extração de características e otimizar o desempenho da classificação. A inclusão de blocos ConvNeXtV2 nas duas primeiras etapas é impulsionada pela sua capacidade de capturar eficazmente características locais finas e padrões sutis, que são críticos para distinguir entre tipos de lesões visualmente similares. Enquanto isso, a adoção de autoatenção separável nas etapas posteriores permite que o modelo priorize seletivamente regiões diagnosticamente relevantes, minimizando a complexidade computacional e abordando as ineficiências frequentemente associadas aos mecanismos tradicionais de autoatenção. O modelo foi extensivamente treinado e validado no conjunto de dados ISIC 2019, que inclui oito categorias distintas de lesões cutâneas. Metodologias avançadas, como aumento de dados e aprendizado transferido, foram empregadas para melhorar ainda mais a robustez e confiabilidade do modelo. A arquitetura proposta alcançou métricas de desempenho excepcionais, com 93,48% de precisão, 93,24% de precisão, 90,70% de revocação e 91,82% de F1-score, superando mais de dez modelos baseados em Redes Neurais Convolucionais (CNN) e mais de dez modelos baseados em Vision Transformer (ViT) testados em condições comparáveis. Apesar de seu desempenho robusto, o modelo mantém um design compacto com apenas 21,92 milhões de parâmetros, tornando-o altamente eficiente e adequado para implantação do modelo. O Modelo Proposto demonstra precisão e generalização excepcionais em diversas classes de lesões de pele, estabelecendo uma estrutura confiável para o diagnóstico precoce e preciso do câncer de pele na prática clínica.