Inteligência artificial atinge 94,5% de acurácia na detecção de melanoma ao integrar imagens e dados clínicos

Palavra-chave principal: inteligência artificial

IA multimodal eleva a análise de câncer de pele a um novo patamar

Pesquisadores da Universidade Nacional de Incheon, na Coreia do Sul, em colaboração com instituições do Reino Unido e do Canadá, desenvolveram um sistema de inteligência artificial capaz de identificar melanoma, o tipo mais agressivo de câncer de pele, com precisão de 94,5%. A ferramenta associa a leitura da imagem dermatoscópica da lesão a informações clínicas básicas do paciente, como idade, sexo e localização anatômica da pinta. Ao combinar esses dois conjuntos de dados, o algoritmo superou modelos tradicionais que analisam somente a fotografia da pele.

Quem conduz a pesquisa e onde ela foi realizada

O estudo foi conduzido na Universidade Nacional de Incheon, situada na Coreia do Sul, e contou com a participação de instituições do Reino Unido e do Canadá. A cooperação internacional reforça a relevância global do tema, pois o melanoma representa um grande desafio para sistemas de saúde em diferentes países. Embora o artigo científico tenha sido publicado na revista Information Fusion, o desenvolvimento e a validação ocorreram no ambiente acadêmico dessas universidades, que reuniram infraestrutura e bancos de dados públicos para treinar e testar o novo modelo.

O que torna o melanoma tão difícil de diagnosticar

Mesmo para dermatologistas experientes, o melanoma pode se confundir com pintas comuns devido à aparência semelhante. Essa característica visualmente enganosa faz do tumor um alvo complexo para sistemas que dependem exclusivamente de imagens. Além disso, o câncer tem alta capacidade de invadir camadas profundas, atingir vasos sanguíneos e linfáticos e espalhar células para órgãos como pulmões, fígado e cérebro. Como consequência, o tempo entre a formação da lesão e o diagnóstico influencia diretamente as chances de cura. Quando identificado nas fases iniciais, o melanoma costuma ser removido por meio de cirurgia simples, com taxas de sobrevida superiores a 95%. Já em diagnósticos tardios, aumenta o risco de metástase e o tratamento se torna mais agressivo, reduzindo significativamente a probabilidade de sobrevivência.

Como o sistema de IA foi treinado e validado

Para construir o modelo, os cientistas recorreram ao SIIM-ISIC, um dos maiores bancos de dados públicos de imagens dermatoscópicas. O repositório reúne mais de 33 mil fotografias de lesões cutâneas acompanhadas de metadados clínicos, como idade do paciente, sexo e localização da lesão no corpo. Esse volume de informações permitiu treinar a rede com diversidade suficiente para reconhecer diferentes apresentações do melanoma.

A arquitetura trabalha em duas frentes complementares:

1. Rede neural convolucional (CNN): especializada em processamento visual, ela extrai padrões texturais, variações de cor e características de bordas da fotografia dermatoscópica. O objetivo é reproduzir a forma como um médico observa nuances que podem indicar malignidade.

2. Rede para dados tabulares: em paralelo, uma segunda rede analisa elementos clínicos básicos — idade, sexo e onde a pinta se encontra. Esses fatores são reconhecidos como influências importantes na avaliação humana de risco.

Após o processamento separado, as duas saídas são fundidas em nível de característica, produzindo uma representação conjunta que o algoritmo utiliza para calcular a probabilidade de a lesão ser melanoma. Nos testes, a fusão resultou em 94,5% de acurácia e F1-score de 0,94, índices que superaram modelos clássicos voltados apenas a imagens, como ResNet-50 e EfficientNet.

Por que integrar imagem e informações clínicas faz diferença

Modelos tradicionais de detecção de câncer de pele limitam-se à análise visual. Embora apresentem bom desempenho em diversos cenários, eles deixam lacunas em casos ambíguos, quando a aparência externa da pinta não revela características claras de malignidade. Fatores adicionais, como idade do paciente ou região do corpo onde a lesão aparece, compõem o raciocínio de especialistas humanos e auxiliam na tomada de decisão. Ao replicar esse processo multidimensional, o novo sistema reduz a probabilidade de falsos negativos e falsos positivos que podem ocorrer quando apenas a imagem é considerada.

Variáveis que mais influenciam o resultado

Para tornar o algoritmo mais transparente, os autores avaliaram a contribuição de cada elemento para a decisão final. Três variáveis se destacaram:

Tamanho da lesão: quanto maior a pinta, maior a suspeita de malignidade.

Idade do paciente: o risco de melanoma tende a aumentar com o envelhecimento.

Localização anatômica: determinadas regiões do corpo apresentam incidência mais alta, influenciando o cálculo de probabilidade.

Ao quantificar o peso desses fatores, o estudo cria condições para que médicos compreendam como o sistema chega às conclusões, aumentando a confiança clínica no resultado. Transparência é considerada essencial para adoção de IA em ambientes de saúde.

Comparação com métodos convencionais

A equipe comparou o desempenho do modelo multimodal com redes amplamente usadas no reconhecimento de imagem, como ResNet-50 e EfficientNet. Enquanto essas arquiteturas analisam apenas a fotografia, o novo sistema alcançou índices mais altos de precisão e F1-score. O ganho evidencia que a combinação de múltiplas fontes de dados beneficia a detecção precoce de doenças complexas, especialmente quando a semelhança visual entre lesões benignas e malignas é grande.

Implicações para diagnóstico e acesso à saúde

Os resultados sugerem aplicações que podem ampliar o alcance do diagnóstico de melanoma:

Aplicativos de triagem em smartphones: fotografias dermatoscópicas capturadas por dispositivos portáteis, aliadas às informações inseridas pelo usuário, podem oferecer avaliação preliminar de risco.

Plataformas de teledermatologia: em regiões com poucos especialistas, a IA pode servir de filtro inicial, encaminhando apenas casos suspeitos para análise presencial.

Suporte em consultórios: mesmo em ambientes com dermatologistas disponíveis, a ferramenta funciona como segundo olhar, reduzindo a chance de erro humano e agilizando decisões sobre biópsia ou remoção cirúrgica.

Desdobramentos futuros e potencial de adoção

Ao mostrar que fatores clínicos simples, quando integrados à análise de imagem, elevam a performance do algoritmo, o estudo reforça a importância de bases de dados ricas e padronizadas. Estratégias de fusão multimodal podem ser replicadas para outras doenças de pele ou para tumores em geral, desde que existam imagens e metadados confiáveis. Além disso, a identificação das variáveis mais influentes permite priorizar a coleta de informações essenciais em situações de triagem rápida.

A adaptabilidade do modelo também abre caminho para customização por região geográfica, ajustando a rede às características demográficas locais. Embora o artigo não trate de implantação comercial ou integração a sistemas hospitalares existentes, os resultados apontam que a tecnologia pode se tornar um componente de plataformas de saúde digital voltadas a prevenção.

Conclusão: avanço significativo na luta contra o melanoma

Com 94,5% de acurácia, o sistema desenvolvido pela Universidade Nacional de Incheon estabelece um marco na detecção automatizada de melanoma. A estratégia de unir visão computacional a variáveis clínicas reproduz o método analítico dos especialistas e demonstra que a inteligência artificial pode alcançar desempenho superior ao de abordagens restritas à imagem. Em um cenário onde o diagnóstico precoce determina a sobrevivência do paciente, a inovação sinaliza um caminho promissor para reduzir atrasos, ampliar o acesso ao exame e apoiar profissionais de saúde em decisões críticas.