Resumo
A detecção automatizada de glaucoma em imagens de fundo de olho é prejudicada pela baixa generalização inter-domínio dos modelos existentes, que apresentam quedas drásticas de desempenho ao serem aplicados em bases de dados com características de aquisição distintas. Para enfrentar este desafio, este trabalho propõe um sistema baseado em um ensemble híbrido e adaptativo. O método emprega três redes neurais convolucionais pré-treinadas (EfficientNet-B0, MobileNetV2 e ResNet-50), com pesos congelados, para extração de características, seguidas da consolidação e normalização L2 dos vetores resultantes. A classificação é realizada em paralelo por um modelo denso e por três algoritmos clássicos (SVM, Random Forest e Gradient Boosting), cujas previsões são combinadas por média ponderada. Os pesos de cada modelo no ensemble são definidos automaticamente com base em sua acurácia, obtida por meio de validação cruzada estratificada de 5 folds, conferindo adaptabilidade ao sistema. O pipeline é complementado por técnicas de data augmentation para mitigar o sobreajuste. As principais contribuições científicas residem na concepção deste ensemble adaptativo, que elimina a necessidade de ajuste manual para novos contextos; em um pipeline totalmente livre da etapa de segmentação explícita do disco óptico, reduzindo complexidade; e em uma validação em múltiplos domínios, realizada em cinco bases públicas heterogêneas (ACRIMA, Drishti-GS1, ORIGA, REFUGE, RIM-ONE) e no conjunto TOTAL (2.341 imagens). Avaliado sob este protocolo, o modelo demonstrou alto desempenho e capacidade de generalização, atingindo 97,87% de acurácia e AUC de 0,995 no RIM-ONE. Os resultados consistentes em diferentes domínios confirmam a aplicabilidade da abordagem no contexto clínico de triagem