VALIDAÇÃO CRUZADA NA APRENDIZAGEM DE REDES NEURAIS CONVOLUCIONAIS PARA TRIAGEM DE CÂNCER CERVICAL

Objetivo: este trabalho objetiva comparar o efeito de quatro esquemas de validação cruzada na avaliação do desempenho de redes neurais convolucionais (RNCs) para a classificação de imagens celulares na triagem de câncer cervical. Métodos: o desempenho médio de quatro RNCs, baseadas nos modelos DenseNet, MobileNet, Xception e VGG16, foi avaliado usando os seguintes esquemas de validação cruzada: k-partições, k-partições com estratificação, divisão aleatória e divisão aleatória com estratificação. Após a validação cruzada, o desempenho preditivo da RNC, selecionada em cada esquema de validação, foi avaliado em um conjunto de imagens diferentes. O teste ANOVA com post hoc foi empregado para determinar diferenças estatísticas no desempenho das RNCs, em decorrência do emprego de diferentes esquemas de validação cruzada. Resultados: os resultados indicam que o emprego de diferentes esquemas de validação cruzada pode levar à seleção de modelos desiguais de classificação para a aplicação proposta. Entretanto, o emprego de diferentes esquemas de validação sobre um mesmo modelo não levou a diferenças significativas no desempenho (α=0,05).