Desenvolvimento de um protótipo para triagem automatizada de glaucoma por deep learning integrado ao WhatsApp

Este trabalho avalia um modelo ResNet50 com transfer learning para detecção automatizada de glaucoma em imagens de fundoscopia, integrado a um protótipo via WhatsApp para profissionais de saúde. O modelo foi treinado nos datasets ACRIMA e RIM-ONE. No ACRIMA, alcançou sensibilidade de 98,28%, F1-score de 0,982 e AUC de 0,992; no RIM-ONE, sensibilidade de 83,33%, F1-score de 0,869 e AUC de 0,949, reflexo do desbalanceamento de classes. O protótipo obteve taxa de acerto de 83,33% e 80%, com confiança média de 94,80% e 87,31%, respectivamente. Os resultados evidenciam que o balanceamento dos dados influencia diretamente o desempenho, reforçando o potencial do aprendizado profundo como ferramenta de apoio à triagem de glaucoma.