Desenvolvimento de uma Aplicação Móvel Multiplataforma para Detecção e Avaliação de Risco de Lesões Cutâneas

• Guilherme Hermes Universidade Federal do Rio Grande do Norte http://orcid.org/0009-0008-8046-7431
• Francisco Willem R. Moreira Universidade Federal do Rio Grande do Norte https://orcid.org/0000-0002-4946-2420
• Jean Mário M. de Lima Universidade Federal do Rio Grande do Norte https://orcid.org/0000-0002-2324-9365

DOI: https://doi.org/10.5753/sbsi_estendido.2024.238929

Resumo

Este estudo aborda a aplicação prática de técnicas de aprendizado de máquina na detecção de lesões cutâneas, combinando a rede neural InceptionV3 com o desenvolvimento de uma arquitetura multiplataforma para uma aplicação móvel. O modelo atingiu uma acurácia de 88%. A arquitetura da aplicação móvel, baseada no Flutter, proporcionou um fácil acesso e interação intuitiva, integrando-se com o modelo através de uma API. As discussões destacam a necessidade de melhorias e exploram a possibilidade de incorporar outras estratégias de integração. Este projeto representa passos adiante na aplicação de tecnologias emergentes em sistemas de informação para melhorar a detecção precoce de câncer de pele, promovendo avanços no setor da saúde.

Palavras-chave: Lesões cutâneas, Aplicativo móvel, Aprendizado de máquina

Referências

Aziz (2024). Efficient skin lesion detection using yolov9 network. Journal Medical Informatics Technology, pages 11–15.

Dai, X., Spasic, I., Meyer, B., Chapman, S., and Andres, F. (2019). Machine learning on mobile: An on-device inference app for skin cancer detection. In 2019 4th International Conference on Fog and Mobile Edge Computing, FMEC 2019, pages 301–305.

Escudiero, L. (2018). Esta inteligência artificial foi mais precisa do que dermatologistas na detecção de câncer de pele.

Fiocruz (2020). Aplicações de inteligência artificial em diagnósticos médicos: expectativas para os próximos dez anos (2020-2030). Fiocruz, Rio de Janeiro.

Jermaine, C. J. and Subramaniam, V. (2021). Building Cross-Platform Apps with Flutter and Dart: Build scalable apps for Android, iOS, and web from a single codebase (English Edition). Packt Publishing, Birmingham, UK.

Leite, C. d. C. (2019). Inteligência Artificial, radiologia, medicina de precisão e medicina personalizada. Radiologia Brasileira.

Li, Z., Liu, F., Yang, W., Peng, S., and Zhou, J. (2022). A survey of convolutional neural networks: Analysis, applications, and prospects. IEEE Transactions on Neural Networks and Learning Systems, 33(12):6999–7019.

Lobo, L. C. (2017). Inteligência artificial e medicina. Revista Brasileira de Educação Médica, 41(2):185–193.

Ministério da Saúde. Câncer de pele.

Moungui, H., Nana Djeunga, H. C., Anyiang, C., Cano, M., Postigo, J., and Carrion, C. (2024). Dissemination strategies for mhealth apps: Systematic review. JMIR mHealth and uHealth, 12:e50293.

Tschandl, P., Rosendahl, C., and Kittler, H. (2018). The ham10000 dataset, a large collection of multi-source dermatoscopic images of common pigmented skin lesions. Sci. Data, 5.

Yang, W., Gao, J., Chen, J., Yang, M., Ma, J., Chen, B., and Sun, H. (2024). Deep Learning for Skin Lesion Segmentation: A Review and Outlook, pages 175–185.