Suporte ao Diagnóstico de Câncer de Pele com Inteligência Artificial: Estudo-Piloto
DOI:
https://doi.org/10.32635/2176-9745.RBC.2026v72n1.5443Palavras-chave:
Neoplasias Cutâneas/classificação, Avulsões Cutâneas/classificação, Aprendizagem Profunda, Redes Neurais Convolucionais, Processamento de Imagem Assistido por ComputadorResumo
Introdução: O câncer de pele constitui uma das neoplasias de maior incidência no Brasil, e o diagnóstico precoce representa um fator determinante para o êxito terapêutico e para a redução da morbimortalidade associada. Diante desse cenário epidemiológico, observa-se um contexto particularmente propício à incorporação de ferramentas computacionais complementares à avaliação clínica tradicional, com destaque para abordagens baseadas em inteligência artificial. Objetivo: Desenvolver e validar um modelo baseado em redes neurais convolucionais para a classificação automática de lesões cutâneas malignas e benignas. Método: Foram utilizadas 2.639 imagens da base pública International Skin Imaging Collaboration (ISIC), com anotações validadas por biópsia. O sistema computacional incluiu etapas de pré-processamento e treinamento supervisionado com arquitetura YOLOv11. O desempenho foi avaliado por validação interna e validação externa. Resultados: O modelo alcançou acurácia média de 80,53% e sensibilidade média de 80,44% na identificação de oito classes de lesões: melanoma, nevo, carcinoma de células basais, queratose actínica, queratose benigna, dermatofibroma, lesão vascular e carcinoma espinocelular. A implementação também resultou em uma base de imagens anotadas e em um fluxo de análise reproduzível. Conclusão: A aplicação de inteligência artificial no suporte ao diagnóstico de câncer de pele demonstrou desempenho promissor, com potencial aplicação em triagens clínicas. Estudos futuros devem considerar a expansão da base de dados e o desenvolvimento de interfaces para uso por profissionais da saúde.
Downloads
Referências
Delgado LP, Regis MN, Caldas D, et al. Epidemiologia e manejo clínico do câncer de pele melanoma: uma revisão narrativa. J Soc Issues Health Sci. 2024;1(7):1-11. doi: https://doi.org/10.5281/zenodo.17473590
Rezende Filho AV, Yamamoto HG, Macedo JLS et al. Perfil epidemiológico de pacientes portadores de câncer de pele atendidos no Hospital Regional da Asa Norte/ DF - Brasil. Rev Bras Cir Plást. 2020;35(3):316-21. doi: https://doi.org/10.5935/2177-1235.2020RBCP0056 DOI: https://doi.org/10.5935/2177-1235.2020RBCP0056
Borges AL, Zalaudeck I, Longo C, et al. Melanocytic nevi with special features: clinical-dermoscopic and reflectance confocal microscopic-findings. JEADV. 2014;28(7):833-45. doi: https://doi.org/10.1111/ jdv.12291 DOI: https://doi.org/10.1111/jdv.12291
Piccolo V, Russo T, Moscarella E, et al. Dermatoscopy of vascular lesions. Dermatol Clin. 2018;36(4):389-95. doi: https://doi.org/10.1016/j.det.2018.05.006 DOI: https://doi.org/10.1016/j.det.2018.05.006
Álvarez-Salafranca M, Gómez-Martíns I, Bañuls J, et al. Dermoscopy of inflamed seborrheic keratosis: a great mimic of malignancy. Australas J Dermatol. 2022;63(1):53-61. doi: https://doi.org/10.1111/ajd.13781 DOI: https://doi.org/10.1111/ajd.13781
Thamm JR, Welzel J, Schuh S. Diagnosis and therapy of actinic keratosis. J Dtsch Dermatol Ges. 2024;22(5):675-90. doi: https://doi.org/10.1111/ddg.15288 DOI: https://doi.org/10.1111/ddg.15288
Azulay RA, Azulay DR, Azulay-ABULAFIA L. Dermatologia. 7.ed. Rio de Janeiro: Guanabara Koogan; 2017.
Botton DV, Barbosa DGR, Cavalcante Junior CAC, et al. Relevância da dermatoscopia para o diagnóstico precoce de melanomas: uma revisão de literatura. RISE. 2020;1(2):159-74. doi: https://doi.org/10.56344/2675-4827.v1n2a20209 DOI: https://doi.org/10.56344/2675-4827.v1n2a20209
Schmitt JV, Miot HA. Distribution of Brazilian dermatologists according to geographic location, population and HDI of municipalities: an ecological study. An Bras Dermatol. 2014;89(6):1013-5. doi: https://doi.org/10.1590/abd1806-4841.20143276 DOI: https://doi.org/10.1590/abd1806-4841.20143276
Siqueira ASE, Santos Neto MF, Ferreira CBT, et al. Inteligência artificial nas ações de controle do câncer: solução ou problema? Rev Bras Cancerol. 2025;71(3):e- 005291. doi: https://doi.org/10.32635/2176-9745.RBC.2025v71n3.5291 DOI: https://doi.org/10.32635/2176-9745.RBC.2025v71n3.5291
Phillips M, Marsden H, Jaffe W, et al. Assessment of accuracy of an artificial intelligence algorithm to detect melanoma in images of skin lesions. JAMA Netw Open. 2019;2(10):e1913436. doi: https://doi.org/10.1001/jamanetworkopen.2019.13436 DOI: https://doi.org/10.1001/jamanetworkopen.2019.13436
Munjal G, Bhardwaj P, Bhargava V, et al. SkinSage XAI: an explainable deep learning solution for skin lesion diagnosis. Health Care Sci. 2024;3(6):438-55. doi: https://doi.org/10.1002/hcs2.121 DOI: https://doi.org/10.1002/hcs2.121
Cui X, Wei R, Gong L, et al. Assessing the effectiveness of artificial intelligence methods for melanoma: a retrospective review. J Am Acad Dermatol. 2019;81(5):1176-80. doi: https://doi.org/10.1016/j.jaad.2019.06.042 DOI: https://doi.org/10.1016/j.jaad.2019.06.042
Jairath N, Pahalyants V, Shah R, et al. Artificial intelligence in dermatology: a systematic review of its applications in melanoma and keratinocyte carcinoma diagnosis. Dermatol Surg. 2024;50(9):791-8. doi: https://doi.org/10.1097/DSS.0000000000004223 DOI: https://doi.org/10.1097/DSS.0000000000004223
Wang HH, Wang YH, Liang CW, et al. Assessment of deep learning using nonimaging information and sequential medical records to develop a prediction model for nonmelanoma skin cancer. JAMA Dermatol. 2019;155(11):1277-83. doi: https://doi.org/10.1001/jamadermatol.2019.2335 DOI: https://doi.org/10.1001/jamadermatol.2019.2335
Chu YS, An HG, Oh BH, et al. Artificial intelligence in cutaneous oncology. Front Med (Lausanne). 2020;7:318. doi: https://doi.org/10.3389/fmed.2020.00318 DOI: https://doi.org/10.3389/fmed.2020.00318
Silva TAM, Souza EP, Bambil D, et al. Aprendizado de máquina aplicado ao diagnóstico de câncer de pele. In: 16 Anais do Congresso Brasileiro de Inteligência Computacional [Internet]; 2021 out 3-6; Joinville. Joinville: UDESC; 2021. doi: http://dx.doi.org/10.21528/CBIC2021-55 DOI: https://doi.org/10.21528/CBIC2021-55
Heinlein L, Maron RC, Hekler A, et al. Clinical melanoma diagnosis with artificial intelligence: insights from a prospective multicenter study [Preprint]. arXiv. 2024. doi: https://doi.org/10.48550/arXiv.2401.14193
ISIC 2019: Skin lesion analysis towards melanoma detection [Internet]. Versão 2019. [sem local]: International Skin Imaging Collaboration; 2019 [acesso 2024 set 18]. Disponível em: https://challenge2019.isic-archive.com/
LabelImg [Internet]. Versão 1.8.6. [sem loca]: Python Software Foundation; ©2025 [acesso 2024 set 18]. Disponível em: https://pypi.org/project/labelImg/
Ultralytics. Ultralytics YOLO [repositório GitHub] [acesso 2025 abr 10]. Disponível em: https://github.com/ultralytics/ultralytics
Terven J, Córdova-Esparza DM, Romero-González JA. A comprehensive review of YOLO architectures in computer vision: from YOLOv1 to YOLOv8 and YOLO-NAS. Mach Learn Knowl Extr. 2023;5(4):1680- 716. doi: https://doi.org/10.3390/make5040083 DOI: https://doi.org/10.3390/make5040083
Esteva A, Chou K, Yeung S, et al. Deep learning-enabled medical computer vision. npj Digit Med. 2021;4:5. doi: https://doi.org/10.1038/s41746-020-00376-2 DOI: https://doi.org/10.1038/s41746-020-00376-2
Cechinel C, Camargo SS. Mineração de dados educacionais: avaliação e interpretação de modelos de classificação [Internet]. In: Jaques P, Pimentel M, Siqueira S, et al, editores. Metodologia de pesquisa científica em informática na educação: abordagem quantitativa. Porto Alegre: SBC; 2020. Disponível em: https://ceie.sbc.org.br/metodologia/wp-content/uploads/2019/11/livro2_cap12.pdf
Steyerberg EW, Harrell Jr FE. Prediction models need appropriate internal, internal-external, and external validation. J Clin Epidemiol. 2016;69:245-7. doi: https://doi.org/10.1016/j.jclinepi.2015.04.005 DOI: https://doi.org/10.1016/j.jclinepi.2015.04.005
Saturn Cloud [Internet]. Nova Iorque: Saturn Cloud, ©2025 [acesso 2024 set 18]. Disponível em: https://saturncloud.io/
Conselho Nacional de Saúde (BR). Resolução n° 466, de 12 de dezembro de 2012. Aprova as diretrizes e normas regulamentadoras de pesquisas envolvendo seres humanos [Internet]. Diário Oficial da União, Brasília, DF. 2013 jun 13 [acesso 2025 ago 27]; Seção 1:59. Disponível em: https://bvsms.saude.gov.br/bvs/saudelegis/cns/2013/res0466_12_12_2012.html
Conselho Nacional de Saúde (BR). Resolução n° 510, de 7 de abril de 2016. Dispõe sobre as normas aplicáveis a pesquisas em Ciências Humanas e Sociais cujos procedimentos metodológicos envolvam a utilização de dados diretamente obtidos com os participantes ou de informações identificáveis ou que possam acarretar riscos maiores do que os existentes na vida cotidiana, na forma definida nesta Resolução [Internet]. Diário Oficial da União, Brasília, DF. 2016 maio 24 [acesso 2024 abr 7]; Seção 1:44. Disponível em: http://bvsms.saude.gov.br/bvs/saudelegis/cns/2016/res0510_07_04_2016.html
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Os direitos morais e intelectuais dos artigos pertencem aos respectivos autores, que concedem à RBC o direito de publicação.
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
