Classificação de Displasias Epiteliais Orais utilizando MobileNetV3-Small: Uma Abordagem com Learning Rate Decay e Cross-Validation

• Luis Felipe G. S. Paim UFU
• Domingos L. L. de Oliveira UFU / IFSP
• Marcelo Z. do Nascimento UFU

DOI: https://doi.org/10.5753/eritm.2026.27369

Resumo

O diagnóstico histopatológico subjetivo de displasias epiteliais orais demanda sistemas CAD precisos. Este artigo investiga a arquitetura MobileNetV3-Small para a classificação dessas lesões. Para superar a escassez de dados e o sobreajuste, comparou-se um modelo baseline treinado do zero com uma abordagem otimizada via transfer learning, validação cruzada (5 folds) e data augmentation. O uso de uma taxa de aprendizado adaptativa também melhorou a convergência. O baseline obteve 47,06% de acurácia no teste, enquanto a abordagem otimizada alcançou até 79,56%. A metodologia fornece uma solução eficiente e de alta precisão para a histopatologia, mitigando a variabilidade interobservador.

Referências

Bradshaw, T. J., McCradden, M. D., Jha, A. K., et al. (2023). A guide to crossvalidation for artificial intelligence in medical imaging. Radiology: Artificial Intelligence, 5(4):e220232.

Cheung, V., Hulme, K., and Gupta, R. (2022). Oral epithelial dysplasia: A review of diagnostic criteria for anatomic pathologists. Advances in Anatomic Pathology, 29(6):416–432.

Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., and Fei-Fei, L. (2009). Imagenet: A large-scale hierarchical image database. In 2009 IEEE conference on computer vision and pattern recognition, pages 248–255. Ieee.

Goodfellow, I., Bengio, Y., and Courville, A. (2016). Deep learning. MIT press.

Howard, A., Sandler, M., Chu, G., Chen, L.-C., Chen, B., Tan, M., Wang, W., Zhu, Y., Pang, R., Vasudevan, V., et al. (2019). Searching for mobilenetv3. In Proceedings of the IEEE/CVF International Conference on Computer Vision, pages 1314–1324.

Instituto Nacional de Câncer (INCA) (2023). Estimativa 2023: incidência de câncer no brasil. Acesso em: 07 maio 2026.

International Agency for Research on Cancer (IARC) (2022). Global cancer observatory: Cancer today. Acesso em: 07 maio 2026.

Pan, S. J. and Yang, Q. (2009). A survey on transfer learning. IEEE Transactions on knowledge and data engineering, 22(10):1345–1359.

Shahriar, M. (2025). Comparative analysis of lightweight deep learning models for memory-constrained devices. arXiv preprint arXiv:2505.03303.

Shorten, C. and Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of big data, 6(1):1–48.

Silva, A. B. et al. (2024). Oralepitheliumdb: A dataset for oral epithelial dysplasia image segmentation and classification. Journal of Imaging Informatics in Medicine, 37(4):1691–1710.

Warnakulasuriya, S., Johnson, N. W., and van der Waal, I. (2007). Nomenclature and classification of potentially malignant disorders of the oral mucosa. Journal of Oral Pathology & Medicine, 36(10):575–580.