Explicabilidade visual de redes convolucionais em diagnóstico histopatológico de câncer de mama: sensibilidade do Grad-CAM a transformações na orientação das imagens

Abstract

O câncer de mama é o segundo mais incidente entre mulheres, e seu diagnóstico precoce é essencial para reduzir a letalidade. Modelos de aprendizado de máquina têm sido utilizados para melhorar a precisão diagnóstica, especialmente a partir de biópsias. Contudo, a crescente complexidade das redes neurais tem gerado dúvidas quanto à interpretabilidade dos resultados, impulsionando o uso de métodos de explicabilidade como o Grad-CAM, que gera mapas de saliência em modelos CNN. Este trabalho investiga a sensibilidade do Grad-CAM frente a mudanças de orientação e posição em imagens histopatológicas da mama. Foram avaliadas as CNNs ResNet50, VGG16 e Xception, treinadas com a base BreakHis, composta por imagens de diferentes ampliações. As amostras de teste foram modificadas por rotações e inversões para testar a robustez dos modelos e explicações. O Xception obteve os melhores resultados de acurácia (94,47%) e F1-score (95,85%) com imagens 100X, embora os mapas explicativos tenham variado conforme a transformação aplicada.