PANTHER: projeto estudantil da AIRI vence o FLARE 2026 ao detectar tumores em 11 segundos

O PANTHER, modelo desenvolvido pelo estudante do MIPT Vasily Baranov na Escola de Verão da AIRI, venceu a competição FLARE 2026 em velocidade de detecção de tumores em tomografias computadorizadas. Sua solução não é uma corrida por complexidade de arquitetura, mas sim três ideias simples sobre dados, ensembles e filtragem.

FLARE 2026: regras e desafio

A competição propôs uma tarefa abrangente com limites rígidos. Encontrar um tumor em qualquer órgão (fígado, rim, pâncreas, pulmão, linfonodo) em uma tomografia em até 60 segundos, usando no máximo 4 GB de memória de vídeo, 28 GB de RAM, sem acesso à internet e sem pesos pré-treinados externos.

Conjunto de treinamento: 17.575 tomografias anotadas, vindas de mais de 50 fontes, entre elas DeepLesion, KiTS, LiTS, MSD, autoPET, TotalSegmentator, LIDC e outras. A anotação é parcial — em cada conjunto de dados, apenas os tumores de determinados órgãos são marcados, e o restante permanece desconhecido. Além disso, havia 122 GB de tomografias sem anotação e 172 exames de pacientes saudáveis para testar falsos positivos.

A classificação foi dividida igualmente: metade por velocidade e eficiência (memória de vídeo × tempo de inferência por exame), metade por precisão, medida com duas métricas. O Dice (DSC) mostra o quanto o volume da máscara de tumor prevista coincide com a anotação do médico (1 = coincidência perfeita, 0 = nenhuma coincidência). O Normalized Surface Dice (NSD) avalia as bordas: qual fração da superfície do tumor coincide com precisão de 2 mm. Modelos mais lentos que 60 segundos recebem Dice igual a 0 e são desclassificados.

As três ideias do PANTHER: composição, ensemble, filtro

A composição dos dados importa mais que a arquitetura. O conjunto de dados era extremamente desbalanceado: 5.700 tomografias de corpo inteiro, 5.

700 de tórax, mas apenas 154 exames de câncer de esôfago, 126 de câncer de cólon, 79 de câncer de endométrio (revestimento do útero) e meros 52 de tumores adrenais. Treinar com tudo indiscriminadamente faz o modelo virar especialista nas fontes grandes, enquanto mal reconhece os órgãos raros. Os autores criaram o Dataset500: limitaram as fontes grandes e usaram integralmente as raras.

O resultado foram 8.762 tomografias de 28 conjuntos de dados, distribuídas em 11 grupos anatômicos. Resultado: Dice +0,060 em comparação com o conjunto completo de 17.

575 exames. Para efeito de comparação, trocar para uma arquitetura com encoder residual (com o triplo de parâmetros) rendeu apenas +0,002 — uma ordem de grandeza menor.

Os autores também aumentaram a grade para 2,0×1,5×1,5 mm em vez dos 0,78 mm recomendados, de modo que um único patch cobrisse o dobro do corpo — tumores grandes deixaram de "não caber". O experimento inverso, com 1,25 mm isotrópicos, custou −0,078 de Dice.

Ensemble de cinco folds de U-Net simples. Cinco modelos votam por probabilidade média: um voxel só entra na máscara se a maioria votar "sim". Em 172 tomografias de pacientes saudáveis, um único modelo encontrou "tumor" em todos os 172 (sim, em todos), enquanto o ensemble ficou em silêncio em 52. Bônus: o ensemble trouxe +0,028 de Dice em exames com tumores reais.

Filtro de Mahalanobis pelo formato da máscara. Nos 120 exames saudáveis restantes, o ensemble ainda encontrou algo. Os autores identificaram um padrão característico de "lixo": fragmentos pequenos espalhados pela imagem, nenhum deles dominante, com muita superfície em relação ao volume. Tumores reais se apresentam de forma diferente: lesões densas e compactas.

Para cada máscara, calculam-se cinco características: volume total, número de fragmentos (maiores que 3×3×3 voxels), volume do maior fragmento, sua proporção em relação ao volume total, e a razão entre superfície e volume. Esses cinco números formam um "retrato" do erro típico. A distância de Mahalanobis indica o quanto uma nova máscara se parece com esse retrato. Se a distância for ≤ 7,0, trata-se de lixo, e a máscara é apagada. Resultado: os falsos positivos caíram de 70% para 8%, com perda de Dice de apenas 0,004 em tumores reais.

O PANTHER roda em 11 segundos com 4 GB de memória de vídeo, superando os concorrentes em velocidade. Isso prova que um pré-processamento correto e técnicas simples de ensemble podem vencer arquiteturas complexas.