FRCS-Net: Superando a Cauda Longa em Radiografias de Tórax Via Aprendizado em Dois Estágios e Ranking Sensível ao Custo
Year: 2026
Type: conference-paper
Abstract: A radiografia de tórax é fundamental para triagem, mas o desbalanceamento severo de classes em bases de dados públicas prejudica a detecção de patologias raras. Abordagens baseadas em entropia cruzada ignoram a cauda longa, enquanto técnicas de reamostragem introduzem ruído em cenários multirrótulo. Este trabalho propõe a Focal-Ranking Cost-Sensitive (FRCS) Loss, uma função de perda híbrida desenhada para priorizar a severidade clínica. Utilizou-se uma arquitetura DenseNet-121 em protocolo de treinamento de dois estágios (estabilização via perda assimétrica e refinamento de ordenação), validado em um subconjunto curado da base NIH ChestX-ray14. Os experimentos demonstram que o método supera o modelo base, elevando o F1-Score da classe hérnia (a mais rara) de 0,00 para 0,63, sem degradação significativa na especificidade global. A abordagem confirma que a imposição de restrições de ordenação por pares é superior à classificação tradicional para garantir a segurança clínica em diagnósticos de cauda longa.
Institution: Universidade Federal de Uberlândia
Language: Portuguese
Topic: COVID-19 diagnosis using AI
Subfield: Radiology, Nuclear Medicine and Imaging
Field: Medicine
Domain: Health Sciences
Open Access status: gold
OpenAlex ID: W7165629350