Artigos

1. INTRODUÇÃO

A Amazônia brasileira, embora reconhecida por sua imensidão territorial e por seu papel estratégico no equilíbrio climático global, apresenta desafios estruturais persistentes no acesso aos serviços de saúde1. Esses desafios, condicionados por fatores geográficos, logísticos e socioeconômicos, impactam diretamente a vigilância, o diagnóstico e o controle de doenças tropicais negligenciadas (DTNs), particularmente em territórios caracterizados por dispersão populacional, dependência do transporte fluvial, conectividade limitada e escassez de infraestrutura laboratorial2,3,4.

Entre as DTNs, as filarioses permanecem como importante problema de saúde pública na região amazônica, tanto pelo impacto clínico quanto pela subnotificação associada às limitações diagnósticas locais. A identificação microscópica de microfilárias em lâminas sanguíneas exige profissionais treinados, equipamentos adequados e condições ópticas estáveis, o que nem sempre está disponível em unidades de saúde e pesquisa de baixa complexidade. Essa realidade contribui para atrasos diagnósticos, manutenção da transmissão e fragilização das ações de vigilância epidemiológica5,6.

Esse contexto de subdiagnóstico estrutural, entretanto, não se traduz em desconhecimento histórico do problema. Em Manaus, o primeiro registro de Dirofilaria immitis foi documentado em 1922, a partir de necrópsias realizadas em cães errantes no antigo Incinerador Municipal7. Apesar da relevância desse achado, o registro permaneceu como referência isolada por mais de um século, até que um novo inquérito hematológico identificou microfilárias em cães domésticos da capital, reabrindo uma discussão epidemiológica que parecia historicamente encerrada8.

A dirofilariose, causada por Dirofilaria immitis e popularmente conhecida como verme do coração, é uma zoonose transmitida por mosquitos dos gêneros Aedes, Anopheles e Culex. Embora acometa principalmente cães, infecções humanas podem ocorrer de forma incidental, resultando em nódulos pulmonares que simulam neoplasias, fenômeno descrito como coin lesion9,10,11. Esses achados frequentemente desencadeiam investigações oncológicas desnecessárias e aumentam os custos assistenciais no Sistema Único de Saúde (SUS). O risco de erro diagnóstico é ampliado pelas dificuldades laboratoriais, uma vez que a identificação desses parasitos exige treinamento especializado, microscópios adequados e, em muitos casos, confirmação molecular12.

Do ponto de vista epidemiológico, evidências recentes reforçam a persistência da transmissão na região. A Dirofilaria immitis permanece endêmica em áreas rurais do município de Manaus, apresentando prevalência superior à observada em zonas urbanas e periurbanas. Estudos conduzidos entre 2017 e 2021 evidenciaram um gradiente espacial consistente da infecção, com baixa prevalência em áreas urbanas (0,35%), aumento nas zonas periurbanas (1,22%) e valores significativamente mais elevados em áreas rurais (15,44%). Esse padrão sugere maior intensidade de transmissão em territórios rurais, os quais podem desempenhar papel central na manutenção do ciclo epidemiológico da infecção no contexto amazônico8.

Com base nessa distribuição espacial, expedições à Reserva de Desenvolvimento Sustentável (RDS) Tupé foram realizadas entre 2022 e 2025, possibilitando a coleta sistemática de amostras sanguíneas e o registro de microfilárias em preparações microscópicas. O material obtido nessas expedições originou o banco de imagens utilizado neste estudo, construído a partir de condições reais de campo, compatíveis com a rotina de unidades de saúde localizadas em áreas remotas.

Entretanto, mesmo quando amostras estão disponíveis, a identificação microscópica enfrenta obstáculos adicionais. A distinção entre microfilárias e artefatos, como fibrinas, debris e restos celulares, é particularmente desafiadora, uma vez que essas estruturas podem assumir morfologia alongada semelhante ao parasita (Figura 1). Essa sobreposição visual ocorre com maior frequência em baixas ampliações ou em equipamentos de menor resolução, tornando a leitura fortemente dependente da experiência do examinador, das condições de iluminação e do contraste. Nessas circunstâncias, a variabilidade interpretativa aumenta, contribuindo para falsos positivos ou negativos e reforçando a necessidade de abordagens diagnósticas complementares.

Fig.1

Embora a precisão diagnóstica tenda a melhorar em ampliações superiores, como 40x ou 63x, nas quais se tornam visíveis o contorno, o arranjo nuclear e a textura citoplasmática, em baixas ampliações a dependência da experiência do avaliador e das condições ópticas é acentuada. Essas limitações tornam-se ainda mais críticas em regiões onde a disponibilidade de equipamentos adequados e de profissionais especializados é restrita, realidade comum em áreas amazônicas13.

Diante dessas restrições, o avanço recente de modelos de inteligência artificial (IA) tem despertado interesse crescente no reconhecimento automatizado de estruturas biomédicas, com potencial para ampliar a padronização, acelerar processos diagnósticos e reduzir a dependência exclusiva de especialistas altamente treinados14,15,16,17. No contexto das filarioses, contudo, persistem desafios relevantes, como baixas densidades parasitárias, variações morfológicas e a necessidade de conjuntos robustos de imagens anotadas, fatores que tornam o treinamento e a generalização de modelos computacionais particularmente complexos18,19.

Uma revisão recente identificou 283 estudos que aplicam inteligência artificial à análise de lâminas de sangue periférico, com foco majoritário em malária, leucemias, leucócitos, células mistas, eritrócitos e síndromes mielodisplásicas. Notavelmente, nenhum dos estudos mapeados abordava a detecção de microfilárias por meio de IA, evidenciando uma lacuna relevante na literatura internacional20. Em consonância com esse cenário, a Portaria GM/MS nº 3.691/2024 e a Estratégia de Saúde Digital do SUS reforçam a demanda por soluções tecnológicas escaláveis, de baixo custo e aplicáveis em cenários com infraestrutura limitada e conectividade instável, condições características da Amazônia21.

É nesse alinhamento entre demanda institucional e lacuna científica que se insere o presente estudo, ao propor o desenvolvimento e a avaliação de um modelo de inteligência artificial baseado em redes neurais convolucionais para a classificação de imagens microscópicas quanto à presença ou ausência de microfilárias, por meio de uma abordagem patch-based. A proposta busca contribuir para o fortalecimento da vigilância das filarioses na Amazônia, oferecendo uma ferramenta tecnológica de apoio ao diagnóstico, compatível com a realidade operacional de unidades de saúde de baixa e média complexidade, sem substituir a avaliação especializada.

2. METODOLOGIA

2.1 Tipo e desenho do estudo

Este trabalho foi concebido para desenvolver e avaliar um modelo de inteligência artificial para a detecção automatizada de microfilárias em imagens de microscopia óptica. Com abordagem quantitativa e natureza aplicada, a investigação caracteriza-se como um desenvolvimento tecnológico que integrou etapas biológicas, laboratoriais, moleculares e computacionais, abrangendo desde a coleta de amostras em campo até a validação do modelo em cenário simulado de rotina laboratorial.
As coletas foram realizadas no contexto da vigilância zoonótica, mediante consentimento informado dos tutores. As amostras foram identificadas por códigos alfanuméricos, sem associação a dados pessoais identificáveis, assegurando a anonimização e a impossibilidade de rastreamento individual, em conformidade com princípios éticos aplicáveis à pesquisa em saúde.
2.2 Dados
As atividades de campo foram realizadas na Reserva de Desenvolvimento Sustentável (RDS) Tupé, território ribeirinho integrante da zona rural do município de Manaus, capital do estado do Amazonas, com acesso predominantemente fluvial e, de forma complementar, terrestre, condicionado às variações hidrológicas sazonais. Foram coletadas amostras sanguíneas de 43 cães, acondicionadas em tubos contendo EDTA e mantidas sob refrigeração até o processamento laboratorial.
Para o preparo microscópico, alíquotas sanguíneas foram depositadas em lâminas contendo membrana PEN, coradas e examinadas por microscopia óptica de campo claro. A triagem parasitológica inicial baseou-se em critérios morfológicos clássicos, incluindo comprimento, espessura, padrão nuclear e aspecto geral do corpo filiforme. Observou-se elevada ambiguidade diagnóstica decorrente da semelhança entre microfilárias e estruturas não parasitárias, como fibras, fibrinas, debris celulares e artefatos de coloração, o que reforçou a necessidade de confirmação molecular subsequente.
O banco de imagens foi construído a partir de 50 lâminas de esfregaço sanguíneo, preparadas a partir das amostras coletadas e processadas em rotina laboratorial. Para a análise comparativa entre a leitura humana e o sistema automatizado, nove lâminas foram selecionadas por amostragem aleatória simples dentre as elegíveis, previamente definidas com base em critérios mínimos de qualidade óptica e representatividade de diferentes cargas parasitárias. O conjunto total de lâminas subsidiou a formação do dataset destinado ao treinamento, validação e teste do modelo de inteligência artificial.
As imagens microscópicas foram digitalizadas por microscópio óptico de campo claro acoplado a uma webcam Logitech C920, com resolução de 1920 × 1080 pixels, totalizando 500 imagens microscópicas originais obtidas em condições reais de triagem. O conjunto inicial foi organizado em duas classes principais (presença e ausência de microfilárias), incluindo campos negativos e estruturas artefatuais, de modo a refletir a heterogeneidade morfológica observada na rotina diagnóstica. As imagens foram submetidas a pré-processamento computacional, com normalização para a escala [0,1] e redimensionamento para 224 × 224 pixels, compatibilizando-as com o formato de entrada da arquitetura utilizada.
A partir do conjunto original, técnicas de aumento de dados foram aplicadas exclusivamente ao conjunto de treinamento, incluindo rotações, espelhamentos, ajustes de brilho e contraste e operações de zoom, gerando versões sintéticas das imagens originais. Esse procedimento resultou em um conjunto efetivo de aproximadamente 1.000 instâncias de treinamento, ampliando a variabilidade morfológica apresentada ao modelo e reduzindo o risco de sobreajuste, sem a introdução de novos dados biológicos. O dataset foi então particionado em conjuntos de treinamento (70%), validação (15%) e teste (15%), seguindo boas práticas consolidadas em inteligência artificial biomédica e garantindo avaliação robusta e imparcial do desempenho do modelo22,23.
2.3 Teste de referência (ground truth)

O ground truth foi estabelecido por um protocolo multimodal com alta confiabilidade, integrando avaliação morfológica especializada e confirmação molecular.

Inicialmente, as lâminas coradas foram examinadas de forma independente por pesquisadores com experiência em parasitologia, que identificaram regiões sugestivas de microfilárias com base em critérios morfológicos clássicos. Em seguida, as estruturas selecionadas foram submetidas à microdissecação a laser (LMD), extração de DNA por protocolo de baixo volume e amplificação por PCR com o marcador ITS-1, permitindo confirmação molecular inequívoca.

Apenas regiões e imagens cuja presença/ausência de microfilárias foi confirmada por esse fluxo integrado foram incluídas no conjunto final; regiões ambíguas ou sem confirmação molecular foram excluídas. No contexto computacional, o ground truth foi aplicado em nível de região de imagem, utilizando estratégia patch-based, na qual cada patch recebeu rótulo binário (presença/ausência de microfilárias). Essa escolha permitiu avaliação granular e realista, refletindo a heterogeneidade dos campos microscópicos observada na prática laboratorial.

Fig.2

2.4 Arquitetura e treinamento do modelo

O modelo foi desenvolvido com a arquitetura EfficientNetV2-B0, com pesos pré-treinados no ImageNet e estratégia de transferência de aprendizado, configurado como classificador binário para discriminar patches com e sem microfilárias. O objetivo foi maximizar desempenho mantendo viabilidade computacional para cenários de infraestrutura limitada.

O treinamento foi conduzido por 100 épocas, com batch size de 16, função de perda binary cross-entropy e otimizador Adam (taxa de aprendizado 1 × 10??), com uso de dropout e early stopping para mitigação de sobreajuste. O ambiente computacional incluiu Ubuntu 22.04, Python 3.10, TensorFlow/Keras e Anaconda, com execução em notebook equipado com GPU NVIDIA RTX 3050, com aceleração via CUDA.

Embora a validação cruzada k-fold seja amplamente utilizada em aprendizado de máquina, neste estudo foi adotada uma divisão fixa entre conjuntos de treino, validação e teste. Essa escolha se deve ao risco de vazamento de informação (data leakage), uma vez que múltiplos patches podem ser extraídos de uma mesma lâmina. Caso patches provenientes da mesma lâmina estejam presentes simultaneamente nos conjuntos de treino e teste, as métricas de desempenho podem ser artificialmente infladas, comprometendo a validade dos resultados. Além disso, a divisão fixa foi adotada para simular um cenário operacional realista, no qual o modelo é treinado uma única vez e aplicado a dados inéditos.

Para garantir a reprodutibilidade dos experimentos, as sementes aleatórias dos principais módulos foram controladas, com manutenção das configurações de hardware e software constantes ao longo de todo o processo experimental.


2.5 Inferência do modelo

Na etapa de inferência, adotou-se abordagem patch-based, onde cada quadro capturado pela webcam acoplada ao microscópio foi automaticamente dividido em múltiplos patches, permitindo análise local de regiões específicas do campo microscópico. Essa estratégia aumenta sensibilidade para estruturas filiformes e reduz a influência de variações de foco, iluminação e artefatos, sendo adequada para organismos alongados e visualmente discretos como microfilárias.

A inferência em tempo real foi conduzida exclusivamente sobre dados não utilizados no treinamento e validação, incluindo lâminas do conjunto de teste e amostras adicionais adquiridas após a fase de treinamento, simulando o uso em condições reais. O modelo foi integrado a um sistema de inferência com OpenCV para captura contínua de imagens. Cada quadro foi pré-processado, segmentado em patches e classificado com probabilidade estimada, exibida em sobreposição ao campo microscópico. A taxa média de processamento foi de 5–8 quadros por segundo.

Fig.3

2.6 Análise estatística

O desempenho foi avaliado por métricas derivadas da matriz de confusão, incluindo acurácia, precisão, sensibilidade (recall), especificidade e F1-score. A curva ROC e a área sob a curva (AUC) foram utilizadas para avaliação global da capacidade discriminativa do classificador. A incerteza associada às métricas foi estimada por intervalos de confiança de 95%, calculados via Bootstrap com 1.000 iterações sobre o conjunto de teste, recalculando-se as métricas a cada reamostragem.

3. RESULTADOS
3.1 Desempenho comparativo na análise de lâminas

Conforme apresentado na Tabela 1, a acurácia média dos pesquisadores humanos foi de 87,39%, enquanto o sistema de inteligência artificial atingiu 93,59%, mantendo variação inferior a dois pontos percentuais entre as diferentes lâminas analisadas. Em termos operacionais, o tempo médio de análise por lâmina foi substancialmente maior para os observadores humanos (2.191 s, aproximadamente 36 min), quando comparado ao tempo requerido pela IA (103 s, cerca de 1 min e 43 s), evidenciando um ganho de eficiência da ordem de 21 vezes.

Tab.1

A análise da variabilidade temporal reforça essa diferença de comportamento. Para a IA, o tempo de processamento oscilou entre 87 e 117 s, com desvio padrão de ±10,8 s, enquanto o tempo humano apresentou desvio padrão de ±2.384 s, evidenciando grande heterogeneidade entre observadores e entre lâminas. Esse contraste de desempenho é visualmente sintetizado na Figura 2, que compara, por lâmina, o tempo de análise e a acurácia entre pesquisadores humanos e o sistema de inteligência artificial. Essa combinação de maior acurácia média, menor variação entre lâminas e menor dispersão temporal sugere que o sistema automatizado é mais previsível e reprodutível, características desejáveis para fluxos de triagem em larga escala, especialmente em cenários de alta demanda diagnóstica e força de trabalho limitada.

Fig.3

3.2 Eficiência e eficácia no diagnóstico com IA em cenários complexos
Os resultados obtidos demonstram que o tempo de análise da IA permaneceu praticamente inalterado, independentemente da densidade de microfilárias ou da complexidade morfológica da lâmina, mantendo-se entre 87 e 117 s. Em contraste, o desempenho humano mostrou-se sensível ao aumento da carga parasitária, com tempos mais longos e maior variabilidade. Na prática, o diagnóstico microscópico tradicional demandou cerca de 30-40 minutos por lâmina, enquanto o diagnóstico assistido por IA se manteve na faixa de 1-2 minutos, com flutuações mínimas.
Do ponto de vista de gestão de serviços, isso significa que, em campanhas de controle vetorial ou períodos de alta demanda, a IA pode processar um volume de lâminas substancialmente maior com tempo de resposta estável, apoiando decisões em saúde pública de forma mais ágil.
3.3 Desempenho do modelo na classificação automatizada de microfilárias

A avaliação do desempenho do modelo foi conduzida em dois níveis complementares: classificação por objeto (microfilária individual), utilizada como análise descritiva de apoio; classificação baseada em regiões de imagem (abordagem patch-based), adotada como avaliação principal, em consonância com a natureza classificatória da arquitetura empregada e com a heterogeneidade observada nos campos microscópicos.

Na análise por objeto, das 96 microfilárias identificadas manualmente em nove lâminas, o modelo classificou corretamente 92 estruturas, correspondendo a uma taxa de identificação de 95,8%. As perdas concentraram-se em lâminas com maior densidade parasitária, nas quais a sobreposição de estruturas aumenta a complexidade do campo óptico. Ainda assim, mesmo nessas condições, o desempenho manteve-se elevado, com perdas discretas e interpretação global consistente. Esse comportamento é particularmente relevante em vigilância parasitológica, uma vez que falsos negativos representam risco epidemiológico direto, ao manterem animais infectados fora do escopo das ações de controle.

A avaliação principal do modelo foi realizada em nível de região de imagem, considerando cada patch como unidade independente de análise. Após o processo de segmentação em patches, foram avaliadas 900 regiões, resultando em uma matriz de confusão caracterizada por elevada proporção de verdadeiros negativos e baixa incidência de falsos negativos, evidenciando desempenho global estável e alinhado aos objetivos do estudo. A predominância de verdadeiros negativos indica adequada capacidade do modelo em reconhecer áreas livres de parasitas, enquanto a baixa taxa de falsos negativos reforça sua adequação para aplicações de triagem automatizada.

O modelo apresentou sensibilidade elevada (95,8%), demonstrando alta capacidade de identificar corretamente regiões contendo microfilárias, mesmo em cenários adversos, como variações de foco, iluminação e alta carga parasitária. A precisão moderada (63,4%) reflete a ocorrência de falsos positivos, atribuídos principalmente à semelhança morfológica entre microfilárias e artefatos não parasitários. Esse perfil é considerado aceitável e operacionalmente desejável em sistemas de triagem, nos quais se prioriza a minimização de falsos negativos, admitindo-se a validação posterior das classificações positivas por especialistas humanos.

O F1-score (0,763) indicou equilíbrio satisfatório entre sensibilidade e precisão, confirmando que o modelo mantém desempenho consistente mesmo em campos microscópicos heterogêneos. A acurácia global (93,7%), calculada considerando todas as regiões analisadas, evidencia a estabilidade do classificador ao longo de todo o conjunto avaliado, incluindo áreas parasitadas e não parasitadas. A síntese quantitativa das métricas de desempenho encontra-se apresentada na Tabela 2, que consolida os principais indicadores utilizados na avaliação do modelo.

Tab.2

A capacidade discriminativa do classificador foi adicionalmente avaliada por meio da Curva ROC, que demonstrou separação consistente entre regiões positivas e negativas ao longo de diferentes limiares de decisão. A área sob a curva (AUC = 0,946) indica excelente poder discriminativo, sugerindo que o modelo atribui probabilidades mais elevadas às regiões contendo microfilárias na grande maioria das comparações. A análise dos limiares evidenciou que valores intermediários permitem maximizar a sensibilidade com controle adequado da taxa de falsos positivos, característica desejável em aplicações de vigilância epidemiológica e triagem laboratorial.

Em conjunto, os resultados indicam que o modelo apresenta alto desempenho na classificação automatizada de regiões de imagem quanto à presença de microfilárias, com destaque para sua elevada sensibilidade e robustez frente a variações morfológicas e ópticas. Esses achados sustentam o potencial da abordagem como ferramenta de apoio à triagem parasitológica, especialmente em contextos de infraestrutura limitada, sem substituir a avaliação especializada, mas contribuindo para a padronização, agilidade e ampliação da capacidade diagnóstica.

4. DISCUSSÃO

4.1 Variabilidade diagnóstica na microscopia manual e padronização por redes neurais convolucionais


A variabilidade na interpretação diagnóstica constitui um dos principais desafios da microscopia diagnóstica, especialmente em contextos descentralizados como os da Amazônia, onde profissionais com diferentes níveis de formação e experiência analisam lâminas parasitológicas sob condições frequentemente não ideais. Pequenas divergências na leitura morfológica de microfilárias podem comprometer a acurácia do laudo, impactando diretamente a conduta clínica e a qualidade das ações de vigilância epidemiológica, conforme amplamente descrito em estudos sobre diagnóstico parasitológico manual22.

Essa dependência da experiência individual é frequentemente agravada por fatores operacionais, como fadiga visual, iluminação inadequada e limitações ópticas dos equipamentos disponíveis. Tais condições tornam o diagnóstico manual particularmente vulnerável a erros, sobretudo em cenários de sobrecarga assistencial e infraestrutura limitada, comprometendo a consistência e a reprodutibilidade das análises microscópicas.

A inteligência artificial baseada em redes neurais convolucionais destaca-se como uma estratégia promissora para a padronização das decisões diagnósticas. O modelo proposto neste estudo, treinado com imagens previamente validadas por especialistas e confirmado por testes moleculares, apresentou comportamento homogêneo e reprodutível, independentemente da complexidade do campo microscópico ou da qualidade da imagem analisada, em consonância com evidências de que CNNs conseguem extrair padrões morfológicos robustos mesmo em imagens ruidosas e heterogêneas23,24,25.

A padronização promovida por essas abordagens tem implicações diretas na rotina laboratorial, ao reduzir a influência de fatores subjetivos, como fadiga visual, experiência individual e variabilidade operacional, contribuindo para maior uniformidade dos resultados e aumento da segurança diagnóstica. Essa característica é particularmente relevante em localidades onde a supervisão técnica especializada é limitada, condição comum em áreas rurais e ribeirinhas da Amazônia26.
4.2 Triagem automatizada, cooperação homem–máquina e eficiência operacional
Outro aspecto central observado neste estudo foi a contribuição da IA para a triagem automatizada. O sistema foi capaz de identificar regiões suspeitas em lâminas digitalizadas, direcionando o olhar do parasitologista para campos de maior interesse diagnóstico. Essa abordagem configura um modelo de cooperação homem–máquina, no qual a tecnologia atua como ferramenta de apoio à decisão clínica, ampliando a eficiência e a consistência do trabalho humano, em consonância com os princípios contemporâneos dos sistemas de apoio ao diagnóstico27.
A automatização da triagem se reflete diretamente na otimização dos fluxos laboratoriais. Em situações de alta demanda, como campanhas de vigilância, surtos ou períodos de aumento sazonal da circulação de vetores, o uso de inteligência artificial permite filtrar rapidamente lâminas negativas ou de baixa complexidade, liberando especialistas para a análise de casos mais desafiadores. Esse ganho operacional traduz-se em maior eficiência e previsibilidade temporal nos sistemas automatizados de diagnóstico28.
A adoção da abordagem patch-based mostrou-se particularmente adequada para organismos filiformes e visualmente discretos, como microfilárias, ao permitir a análise local de regiões heterogêneas sem a necessidade de anotações exaustivas por bounding boxes, frequentemente inviáveis em cenários descentralizados e de baixa complexidade tecnológica. A arquitetura e o pipeline propostos são conceitualmente transferíveis para outras filarioses e contextos parasitológicos, desde que acompanhados de validação biológica específica.
4.3 Equidade em saúde e justiça algorítmica em territórios vulneráveis
Do ponto de vista da equidade em saúde, a possibilidade de executar o modelo em equipamentos de baixo custo e de forma offline representa um avanço significativo. A utilização de webcams acopladas a microscópios de campo claro e processamento local viabiliza a aplicação da tecnologia em territórios com conectividade limitada, promovendo o conceito de justiça algorítmica ao ampliar o acesso ao diagnóstico para populações historicamente desassistidas29,30.
Essa abordagem converge com as diretrizes da Estratégia de Saúde Digital do SUS, que prioriza soluções tecnológicas escaláveis, sustentáveis e sensíveis às realidades territoriais. A Portaria GM/MS nº 3.691/2024 reforça a necessidade de ampliar a resolutividade da atenção básica e da vigilância em saúde por meio de ferramentas digitais adaptadas a contextos locais, corroborando a pertinência do modelo proposto. Soluções de IA executáveis localmente e em hardware acessível não apenas ampliam o acesso ao diagnóstico, mas também contribuem para a redução de desigualdades estruturais em saúde21,31.
4.4 Eficiência computacional, sustentabilidade energética e limitações do estudo
A escolha por arquiteturas eficientes, como a EfficientNetV2-B0, mostrou-se tecnicamente adequada no contexto técnico para ambientes com limitações computacionais. Estudos prévios demonstram que redes convolucionais compactas podem alcançar elevados níveis de acurácia e AUC mesmo em imagens de baixa qualidade, mantendo bom desempenho energético e operacional32,33.
Estudos recentes indicam, ainda, que modelos de IA podem ser embarcados em dispositivos móveis ou notebooks com consumo energético reduzido, ampliando sua aplicabilidade em campo. Análises sobre eficiência energética de redes neurais durante a inferência demonstram que, com hardware otimizado, mesmo modelos profundos podem operar de forma sustentável fora de ambientes laboratoriais tradicionais34.
Embora os resultados obtidos sejam promissores, reconhece-se que a consolidação dessa solução tecnológica depende da ampliação do banco de imagens e da realização de validações multicêntricas. A inclusão de amostras provenientes de diferentes territórios, contextos laboratoriais, variações morfológicas e outras espécies filariais é essencial para ampliar a capacidade de generalização do modelo. Ainda assim, os achados indicam que soluções leves, portáteis e orientadas ao territótio representam ferramentas relevantes para a redução de desigualdades históricas no acesso ao diagnóstico de DNTs e para o avanço sustentável da transformação digital do SUS 35.

5. CONCLUSÃO

Este estudo evidencia que a aplicação de inteligência artificial baseada em redes neurais convolucionais para a identificação de microfilárias em esfregaços sanguíneos é tecnicamente viável e operacionalmente consistente no contexto amazônico. A integração entre confirmação biológica rigorosa e um pipeline computacional otimizado resultou em elevado desempenho mesmo sob condições adversas de campo, com ganhos em eficiência e padronização em relação à leitura microscópica convencional. Embora validações adicionais sejam necessárias, os achados indicam que soluções leves, executáveis em hardware acessível, podem atuar como ferramentas estratégicas de apoio à triagem parasitológica e ao fortalecimento sustentável da vigilância epidemiológica em áreas com infraestrutura limitada.

FONTES DE FINANCIAMENTO

Este estudo foi financiado pelo Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) e pela Fundação de Amparo à Pesquisa do Estado do Amazonas (FAPEAM), que apoiaram o desenvolvimento da pesquisa por meio da concessão de bolsas aos pesquisadores e do fomento às atividades de investigação científica, contribuindo para a execução das etapas metodológicas, a análise dos dados e a consolidação dos resultados apresentados.

AGRADECIMENTOS

Os autores agradecem à Plataforma de Microdissecção a Laser da Fiocruz Amazônia - Instituto Leônidas e Maria Deane (ILMD), RPT07H, pelo suporte técnico e pela disponibilização da infraestrutura empregada nas etapas de preparo das amostras e isolamento das microfilárias. Agradecem, ainda, à Biblioteca e à Secretaria do ILMD pelo apoio administrativo e institucional ao desenvolvimento da pesquisa, fundamentais para a execução do estudo e para a obtenção dos dados aqui apresentados.

REFERÊNCIAS

1. Silva-Nunes M, Dal’Asta AP, Codeço CT. Challenges and perspectives in analyzing health in the Brazilian Amazon: a look at population-based studies. Cad Saude Publica. 2025;41(13):e00045824. doi:10.1590/0102-311XEN045824.
2. Medeiros JDS, Schweickardt JC, Martins FM. Entre cheias e vazantes: uso das embarcações na produção do cuidado e acesso à saúde no território líquido em um município amazônico, Brasil. Saude Soc. 2025;33:e240381pt.
3. Lima RTS, Fernandes TG, Martins Júnior PJA, Portela CS, Santos Junior JDO, Schweickardt JC. Health in sight: an analysis of primary health care in riverside and rural Amazon areas. Cien Saude Colet. 2021;26(6):2053-64. doi:10.1590/1413-81232021266.02672021.
4. Oliveira JCS, Correa NCC, Carminé RLA, Souza SES, Chui FMS. Geographic and technological challenges in the connectivity process of health care units in the rural area of Manaus-Amazon. IOSR J Bus Manag. 2024;26(1):13-18. doi:10.9790/487X-2601051318.
5. Portela CS, Suwa UF, Oliveira JCS, Simão CLG, Crainey JL. Monitoramento e controle das doenças filariais na região Amazônica Brasileira. In: Tobias R, Leles FAG, Lima MCRF, editors. Planejamento e políticas de saúde na Amazônia: fundamentos e caminhos. Rio de Janeiro: Editora Rede UNIDA; 2024. p. 121-135. doi:10.18310/9786554621397.
6. Savedra ASS, Rodrigues LOVSB, Oliveira WEA, Moraes DDP, Silva AM. Eficácia de intervenções para o controle de doenças tropicais negligenciadas na população infantil da Amazônia Brasileira: uma revisão sistemática. Braz J Implantol Health Sci. 2025;7(11):259-69. doi:10.36557/2674-8169.2025v7n11p259-269.
7. Gordon RM, Young CJ. Parasites in dogs and cats in Amazonas. Ann Trop Med Parasitol. 1922;16(3):297-300. doi:10.1080/00034983.1922.11684321.
8. Barbosa UC, Nava AFD, Ferreira Neto JV, Dias CA, Silva VC, Mesquita HG, et al. Dirofilaria immitis is endemic in rural areas of the Brazilian Amazonas state capital, Manaus. Rev Bras Parasitol Vet. 2023;32(2):e000223. doi:10.1590/S1984-29612023018.
9. Genchi C, Kramer L. Subcutaneous dirofilariosis (Dirofilaria repens): an infection spreading throughout the Old World. Parasites Vectors. 2017;10(Suppl 2):517. doi:10.1186/s13071-017-2434-8.
10. Simón F, Siles-Lucas M, Morchón R, González-Miguel J, Mellado E, Carretón E, Montoya-Alonso JU. Human and animal dirofilariasis: the emergence of a zoonotic mosaic. Clin Microbiol Rev. 2012;25(3):507-44. doi:10.1128/CMR.00012-12.
11. Genchi C, Kramer LH. The prevalence of Dirofilaria immitis and D. repens in the Old World. Vet Parasitol. 2020;280:108995. doi:10.1016/j.vetpar.2019.108995.
12. Rena O, Leutner M, Casadio C. Human pulmonary dirofilariasis: uncommon cause of pulmonary coin-lesion. Eur J Cardiothorac Surg. 2002;22(1):157-9. doi:10.1016/S1010-7940(02)00221-X.
13. Barbosa LLS. Atlas de citologia de líquor: um guia prático para apoio médico-laboratorial em neurodiagnósticos [eBook]. São Paulo: Editora Dialética; 2025. Disponível em: https://www.bdtd.uerj.br:8443/handle/1/24835
14. Jha S, et al. Deep learning-based object detection for parasitological microscopy. Comput Biol Med. 2023;166:107132. doi:10.1016/j.compbiomed.2023.107132.
15. Jha S, et al. YOLO-PAM: parasite-attention-based model for efficient malaria detection. J Imaging. 2023;9(12):266. doi:10.3390/jimaging9120266.
16. Kumar A, Sharma S, Rizvi STH, Ali J. UltraLightSqueezeNet: ultra lightweight CNN model for malaria detection using blood smear images. arXiv. 2025. Disponível em: https://arxiv.org/abs/2501.14172
17. Kumar N, et al. Supporting malaria diagnosis using deep learning and data augmentation. PLoS Glob Public Health. 2024;4(4):e0002749. doi:10.1371/journal.pgph.0002749.
18. Mathur A, Singh P, Gupta R. Deep learning method for malaria parasite evaluation from blood smears. Artif Intell Med. 2024;145:102739. doi:10.1016/j.artmed.2024.102739.
19. Kalyan DS, Manogaran G, Chang CY. Automated detection of malaria parasites using deep learning models: a review. Inform Med Unlocked. 2024;57:101570. doi:10.1016/j.imu.2024.101570.
20. Fan BE, Yong BSJ, Li R, Wang SSY, Aw MYN, Chia MF, et al. From microscope to micropixels: a rapid review of artificial intelligence for the peripheral blood film. Blood Rev. 2024;64:101144. doi:10.1016/j.blre.2023.101144.
21. Brasil. Ministério da Saúde. Portaria GM/MS nº 3.691, de 23 de maio de 2024. Institui diretrizes para a transformação digital da saúde no âmbito do SUS. Diário Oficial da União. 2024. Disponível em: https://www.in.gov.br/en/web/dou/-/portaria-gm/ms-n-3.691-de-23-de-maio-de-2024-54605805
22. Rajaramam S, Antani SA, Catala A. Artificial intelligence in digital pathology: automated detection of blood cell parasites. Front Microbiol. 2019;10:2732. doi:10.3389/fmicb.2019.02732.
23. Rajaramam S, Antani SK, Poostchi M, Silamut K, Hossain MA, Maude RJ, et al. Pre-trained convolutional neural networks as feature extractors toward improved malaria parasite detection in thin blood smear images. PeerJ. 2018;6:e4568. doi:10.7717/peerj.4568.
24. Rajaramam S, et al. Performance evaluation of deep neural ensembles toward malaria parasite detection in thin-blood smear images. PeerJ. 2019;7:e6977. doi:10.7717/peerj.6977.
25. Pourhossein B, et al. Automatic diagnosis of malaria using microscopic images and deep convolutional neural networks. Inform Med Unlocked. 2020;21:100461. doi:10.1016/j.imu.2020.100461.
26. Kalyan DS, Manogaran G, Chang CY. Automated detection of malaria parasites using deep learning models: a review. Inform Med Unlocked. 2024;57:101570. doi:10.1016/j.imu.2024.101570.
27. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. doi:10.1038/s41591-018-0300-7.
28. Olawade DB, Fidelis SC, Marinze S, Egbon E, Osunmakinde A, Osborne A. Artificial intelligence in clinical trials: a comprehensive review of opportunities, challenges, and future directions. Int J Med Inform. 2026;206:106141. doi:10.1016/j.ijmedinf.2025.106141.
29. von Bahr J, Suutala A, Diwan V, Mårtensson A, Lundin J, Linder N. AI-supported digital microscopy diagnostics in primary health care laboratories: scoping review. J Med Internet Res. 2026;28:e78500. doi:10.2196/78500.
30. Pinto-Coelho L. Como a inteligência artificial está moldando a tecnologia de imagem médica: uma análise de inovações e aplicações. Bioengineering. 2023;10(12):1435. doi:10.3390/bioengineering10121435.
31. Brasil. Ministério da Saúde. Estratégia de Saúde Digital para o Brasil 2020–2028. Brasília: Ministério da Saúde; 2020. Disponível em: https://bvsms.saude.gov.br/bvs/publicacoes/estrategia_saude_digital_Brasil.pdf
32. Mujahid M, Rustam F, Shafique R, et al. Efficient deep learning-based approach for malaria detection using red blood cell smears. Sci Rep. 2024;14:13249. doi:10.1038/s41598-024-63831-0.
33. Montalbo FJP, Alon AS. Empirical analysis of a fine-tuned deep convolutional model in classifying and detecting malaria parasites from blood smears. KSII Trans Internet Inf Syst. 2021;15(1):147-65. doi:10.3837/tiis.2021.01.009.
34. Desislavov R, Martínez-Plumed F, Hernández-Orallo J. Trends in AI inference energy consumption: beyond the performance-vs-parameter laws of deep learning. Sustain Comput Inform Syst. 2023;38:100857. doi:10.1016/j.suscom.2023.100857.
35. von Bahr J, Diwan V, Mårtensson A, Linder N, Lundin J. AI-supported digital microscopy diagnostics in primary health care laboratories: protocol for a scoping review. JMIR Res Protoc. 2024;13:e58149. doi:10.2196/58149.