Avaliação de arquiteturas de deep learning para esclerose múltipla: de baselines convolucionais a redes híbridas vit e prototípicas

O diagnóstico da esclerose múltipla (EM) por meio de imagens de ressonância magnética (MRI) continua sendo um desafio devido à complexa distribuição espacial das lesões. Embora as Redes Neurais Convolucionais (CNNs) sejam eficazes na identificação de texturas locais, elas frequentemente não conseguem capturar as relações espaciais mais amplas entre regiões distantes do cérebro. Neste estudo, propomos e comparamos três arquiteturas de aprendizado profundo para a classificação automatizada da EM: um modelo de referência (baseline) ResNet18, um modelo híbrido CNN-ViT treinado com função de perda de entropia cruzada (cross-entropy loss) e uma variante CNN-ViT treinada com perda prototípica (prototypical loss) para aprendizado métrico. Para garantir uma avaliação confiável do desempenho, todos os modelos foram validados utilizando validação cruzada de 5 partições (5-fold cross-validation) e um conjunto de teste independente composto por 60 indivíduos. A arquitetura híbrida CNN-ViT alcançou 86,67% de acurácia e 90,00% de especificidade, superando consistentemente o modelo baseado apenas em CNN. A variante prototípica obteve 83,33% de acurácia e 80,00% de especificidade, oferecendo uma perspectiva complementar baseada em aprendizado métrico. Além disso, analisamos os mapas de atenção do modelo para interpretar seu processo de tomada de decisão, os quais destacaram tanto sua capacidade de focar em características neurológicas relevantes quanto suas limitações atuais relacionadas a tecidos não cerebrais. Esses resultados indicam que a combinação de mecanismos de autoatenção (self-attention) com camadas convolucionais melhora o desempenho da classificação e a interpretabilidade do modelo, fornecendo uma estrutura robusta para a detecção automatizada da esclerose múltipla, mesmo em conjuntos de dados limitados.