Cloud Computing para deploy de modelos de Deep Learning para a detecção de Retinopatia Diabética

Abstract

A incidência de diabetes está aumentando a um ritmo alarmante em todo o mundo. Por consequência, crescem os casos de retinopatia diabética (RD), uma complicação da di abetes que em sua forma mais grave pode levar à cegueira. A falta de mão de obra es pecializada para diagnóstico, essencial para o tratamento bem-sucedido da doença, traz a necessidade de estudo de alternativas para o diagnóstico via meios computacionais. Pes quisas recentes sobre o uso de Deep Learning para a detecção de RD se mostram como uma importante alternativa para melhorar a utilização da mão de obra especializada a par tir da priorização de casos mais graves. Partindo deste contexto, o objetivo do presente trabalho é avaliar o desempenho e custo financeiro de alternativas baseadas em compu tação em nuvem para o deploy de modelos de Deep Learning para classificação de RD. Utilizando como base os serviços real-time inference e serverless inference, ambos da plataforma Amazon Sagemaker, foram consideradas otimizações e diferentes alternati vas de configuração, obtendo até 24, 34% de redução de custo financeiro e até 2, 16× de aumento de desempenho. Por fim, foram utilizados conceitos como conteinerização e in fraestrutura como código durante a implementação da solução, para permitir a reprodução das alternativas de deploy e dos experimentos realizados de maneira facilitada.

The incidence of diabetes is increasing at an alarming rate worldwide. As a consequence, cases of diabetic retinopathy (DR), a diabetes complication that in its most severe form can cause blindness, are growing. The lack of specialized workforce for diagnosis, es sential for a successful treatment, brings the need to study alternatives for diagnosis via computational means. Recent research on the use of Deep Learning for DR detection are seen as an important alternative to improve the use of specialized workforce by prioritiz ing more severe disease stages. Based on this context, the main goal of this work is to evaluate the performance and cost of cloud computing-based alternatives for the deploy ment of Deep Learning models for DR detection. Using Amazon Sagemaker’s real-time inference and serverless inference services, optimizations and different configuration al ternatives were considered, achieving up to a 24.34% cost reduction and up to a 2.16× performance increase. Finally, concepts such as containerization and infrastructure as code were used during the implementation of the solution to facilitate the reproduction of deployment alternatives and experiments performed.