Avaliação de Modelos Fundacionais e Leves de Aprendizado Profundo para Segmentação Eficiente de Instâncias no Rastreamento do Câncer de Pele
Segmentação de Imagens, YOLO26, Aprendizado Profundo, Diagnóstico Auxiliado por Computador, Câncer de Pele,
Melanoma.
A detecção precoce é fundamental para a
sobrevivência ao câncer de pele, impulsionando a adoção do Aprendizado
Profundo em Diagnósticos Auxiliados por Computador. Nesses sistemas, a
segmentação de instâncias é um pré-requisito fundamental para isolar
estruturas patológicas. Uma Revisão Sistemática da Literatura revela que os
paradigmas atuais favorecem arquiteturas robustas baseadas em ensemble e
Vision Transformers. Embora alcancem alta precisão espacial, sua
severa sobrecarga computacional restringe a implantação clínica na
teledermatologia móvel. Para equilibrar precisão e eficiência, este
documento de qualificação avalia a arquitetura YOLO26-seg como uma
alternativa computacionalmente ágil. Seguindo um pipeline determinístico
de ajuste fino no benchmark ISIC 2018, foi aplicada uma calibração de
hiperparâmetros específica do domínio. A validação cruzada empírica
demonstra que a variante leve YOLO26-seg Nano atinge um Coeficiente de
Similaridade de Dice (DSC) de 95,17% e um Índice de Similaridade de Jaccard
(JSI) de 90,80%. Exigindo apenas 3,05 milhões de parâmetros, este
framework se equipara a redes mais pesadas, provando que a precisão
diagnóstica pode coexistir com a agilidade algorítmica. As fases finais
desta pesquisa se expandirão para a segmentação de atributos multirrótulo e
compararão essa linha de base com o Segment Anything Model 3 (SAM 3),
mapeando os limites da eficiência operacional e da generalização
zero-shot na análise de imagens médicas.