Construa um Modelo de IA Offline que Detecta Estágios de Retinopatia Diabética com Edge Impulse

Um dispositivo médico portátil capaz de identificar estágios de retinopatia diabética com precisão sem conexão de internet poderia reduzir drasticamente a cegueira mundial. Com machine learning embarcado, algoritmos que rodam diretamente em hardware alimentado por bateria são agora viáveis. Este artigo percorre os passos para treinar tal modelo usando a plataforma Edge Impulse.

A retinopatia diabética danifica os vasos sanguíneos na parte de trás do olho, frequentemente progredindo para cegueira se não tratada. Mais de dois em cada cinco americanos com diabetes têm alguma forma da doença, tornando a detecção precoce crítica. Em áreas rurais onde cuidados de visão são escassos, até casos leves são frequentemente perdidos até se tornarem graves.

Para abordar isso, aproveitamos um dataset publicamente disponível para treinar um modelo que pode avaliar severidade de DR a partir de imagens de câmera retiniana. O dataset é dividido em cinco classes:

• Sem DR
• DR Leve
• DR Moderado
• DR Severo
• DR Proliferativo

Identificadores de pacientes foram substituídos por id_code e um score de diagnóstico de 0 (Sem DR) a 5 (DR Proliferativo). Link do dataset.

Como as imagens eram armazenadas em estrutura flat, escrevi um script VBA para ler a lista Excel de valores id_code, localizar cada imagem, e movê-la para a pasta de classe correspondente. O script está disponível aqui. Se você preferir Python ou outra linguagem, automação similar é direta.

O Edge Impulse simplifica ingestão via sua interface de upload de dados. Realizei cinco uploads separados — um por classe — rotulando cada pasta apropriadamente. A plataforma também oferece integração com cloud bucket e coleta via dispositivo, mas upload manual funcionou melhor para nosso dataset.

O Edge Impulse divide automaticamente dados 80/20 em conjuntos de treino e teste, mas adicionei ~500 imagens manualmente ao conjunto de teste para melhor balancear as classes.

Para o modelo, selecionei o bloco de imagem e apliquei uma arquitetura de transfer learning para classificar os cinco estágios de DR. Treinamento inicial rendeu uma melhor acurácia de cerca de 74%, que é respeitável mas destaca misclassificações — especialmente entre DR severo e leve. A matriz de confusão (mostrada abaixo) ilustra esse desafio.

Em um deployment real, uma câmera retiniana portátil capturaria uma imagem, rodaria o modelo localmente, e notificaria imediatamente o clínico se o paciente requer follow-up. A prioridade é detectar todos os estágios de DR, então a acurácia atual é aceitável para uma ferramenta de triagem.

Possíveis melhorias incluem:

• Adquirir mais dados rotulados para reduzir variância.
• Combinar classes adjacentes (ex.: leve-moderado, severo-proliferativo) para simplificar a fronteira de decisão.
• Ajustar fino o número de camadas da rede neural e taxas de dropout.

O modelo final ocupa 306 kB de flash e 236 kB de RAM. Em um Cortex-M4 a 80 MHz o tempo de inferência varia de 0,8 s a 6 s, enquanto um Cortex-M7 a 216 MHz é mais rápido — tornando-o adequado para dispositivos portáteis que capturam imagens on-the-fly.

Em resumo, demonstramos que um dataset open-source pode treinar um modelo edge efetivo para detecção de retinopatia diabética. Implantar tais modelos em microcontroladores embarcados ou dispositivos Linux leves pode trazer triagem confiável a comunidades remotas ou carentes, superando barreiras de conectividade.

Detalhes adicionais e trabalho futuro estão disponíveis aqui.