Rede Neural Perceptron Multicamadas para Classificação Multiclasse de Câncer de Pele

Resumo

O câncer de pele é um problema relevante de saúde pública, e seu diagnóstico por computador tem sido amplamente explorado com aprendizado de máquina. Este trabalho investigou o uso de uma rede Perceptron Multicamadas (MLP) na classificação multiclasse de lesões do dataset HAM10000, destacando suas limitações para imagens, especialmente em cenários desbalanceados. As imagens foram redimensionadas para 64 × 64, vetorizadas (d= 12288) e padronizadas. O modelo utilizou duas camadas densas com ReLU e saída softmax para 7 classes. Sete configurações foram avaliadas, variando taxa de aprendizado e número de neurônios. O melhor resultado, utilizou balanceamento com SMOTE (α = 0.0001, arquitetura 128–64) obteve acurácia de 70,84% e F1 ponderado de 70,32%. Apesar de capturar padrões relevantes, houve baixo desempenho em classes minoritárias e indícios de overfitting. Comparada a abordagens como CNNs e Transformers, a MLP mostrou-se limitada por ignorar a estrutura espacial, sendo adequada apenas como baseline.