Abordagem de aprendizado incremental para segmentação semântica de imagens histológicas de pele

Por que ensinar computadores a ler amostras de pele é importante

O câncer de pele está entre os tipos de câncer mais comuns no mundo, e os médicos frequentemente dependem de lâminas finas de tecido, examinadas ao microscópio, para avaliar a gravidade de um tumor e definir o tratamento. A leitura dessas lâminas é um trabalho lento e exigente, sujeito a variações entre especialistas. Este estudo explora como construir sistemas computacionais que aprendam a reconhecer diferentes tecidos e cânceres da pele nessas imagens microscópicas e, o que é mais importante, que continuem melhorando ao longo do tempo à medida que novos tipos de imagens são adicionados — de forma análoga a um profissional em formação que segue aprendendo ao longo da carreira.

De respostas simples de sim/não a mapas tissulares detalhados

Muitas ferramentas de inteligência artificial já existentes para câncer de pele analisam uma imagem e respondem a uma pergunta restrita, como “câncer” ou “sem câncer”. Embora úteis, esse tipo de decisão binária não captura a riqueza de detalhes que os patologistas veem. Na prática, os médicos se interessam por várias estruturas simultaneamente: diferentes tipos de câncer, camadas normais da pele, folículos pilosos, glândulas, regiões inflamadas, entre outras. Este estudo concentra-se em vez disso na “segmentação semântica”, onde cada pixel de uma imagem histológica é atribuído a uma entre doze categorias teciduais. Isso gera um mapa codificado por cores que mostra exatamente onde estão vários tipos de câncer e tecidos normais, oferecendo orientação mais clara para diagnóstico e planejamento do tratamento.

Por que os sistemas atuais têm dificuldade em se adaptar

Os modelos de aprendizado profundo mais potentes de hoje normalmente assumem que todos os dados de treinamento estão disponíveis de uma só vez. Depois de treinados, tendem a “fixar” seu conhecimento. Se dados novos com propriedades diferentes — por exemplo, imagens em outra ampliação — são introduzidos posteriormente, a opção mais segura frequentemente é treinar o modelo inteiro do zero. Isso é caro e demorado e, pior ainda, adicionar novas informações pode causar “esquecimento catastrófico”, em que o desempenho em tarefas anteriores se degrada silenciosamente. Em ambientes clínicos, no entanto, os dados evoluem constantemente à medida que scanners são atualizados, configurações de imagem mudam e hospitais coletam novos tipos de amostras. Uma ferramenta de IA que não consegue absorver essas mudanças de forma elegante é difícil de confiar na prática diária.

Uma estratégia de aprendizado em etapas inspirada em como humanos aprendem

Os autores partem de uma arquitetura moderna de visão baseada em transformer chamada SegFormer e a transformam em um sistema de “aprendizado incremental” para câncer de pele não melanoma. Em vez de ver todos os dados de uma vez, o modelo é treinado em etapas usando lâminas histológicas de um conjunto de dados público da Universidade de Queensland. Primeiro, aprende com imagens de alta ampliação (10×), onde os detalhes finos são claros. Depois, são adicionadas imagens em 5× e por fim em 2×, enquanto uma parte dos dados de alta resolução anteriores é mantida na mistura. Funções de perda especiais ajudam a nova versão do modelo a reter o que já sabia sobre padrões teciduais, mesmo enquanto se adapta a vistas mais amplas e com menos detalhe. Esse “aprender sem esquecer” é guiado por uma técnica chamada distilação de conhecimento, em que um modelo anterior atua como professor do mais novo, e por um termo de distilação mútua que incentiva tanto as representações antigas quanto as novas a permanecerem em harmonia.

Aprendendo através de níveis de zoom e tipos de tecido raros

Imagens histológicas são desafiadoras não só porque existem muitos tipos de tecido, mas também porque algumas estruturas importantes são raras. O conjunto de dados inclui cânceres comuns como carcinoma basocelular e carcinoma espinocelular, bem como camadas normais e inflamadas da pele, cada uma anotada no nível do pixel por especialistas — um processo minucioso que exige centenas de horas. Os autores fatiam essas lâminas enormes em pequenos patches e treinam seu modelo usando uma divisão cuidadosa em conjuntos de treinamento, validação e teste, preservando a composição das classes teciduais em cada ampliação. Para ajudar o sistema a reconhecer regiões escassas, porém clinicamente cruciais, eles aumentam as classes sub-representadas girando patches e expondo o modelo a esses tecidos em múltiplos níveis de zoom. Essa exposição multi-resolução ajuda a IA a reconhecer a mesma estrutura biológica quer apareça como um close nítido, quer como uma forma mais suave e ampliada.

O que o modelo alcança em comparação com ferramentas anteriores

Sozinhos, modelos SegFormer treinados separadamente em cada ampliação já superam desenhos convolucionais anteriores, como U-Net, em muitas categorias teciduais. Mas quando o esquema de aprendizado incremental é aplicado — treinando primeiro em 10×, depois em 10× mais 5× e finalmente em 10×, 5× e 2× juntos — os ganhos tornam-se marcantes. A acurácia geral sobe de cerca de 89% apenas com imagens 10× para mais de 95% depois que as três ampliações são incluídas. Medidas de sobreposição entre regiões previstas e reais também melhoram de forma contínua, e o desempenho em cânceres como carcinoma basocelular e espinocelular, bem como em camadas normais importantes como a epiderme e a derme papilar, supera o de métodos concorrentes. Importante: à medida que cada novo nível de zoom é adicionado, o modelo não esquece o que aprendeu antes; em vez disso, sua compreensão da estrutura tecidual torna-se mais robusta e geral.

Como este trabalho aproxima o diagnóstico assistido por IA da clínica

Para não-especialistas, a principal mensagem é que os autores criaram um “cartógrafo” de tecidos cutâneos que pode continuar estudando novos tipos de imagens sem perder habilidades anteriores. Ao projetar cuidadosamente como o modelo aprende em etapas e como reutiliza seu próprio conhecimento passado, eles mostram ser possível construir ferramentas de IA que se adaptam à evolução das práticas de imagem médica. Embora sejam necessários mais estudos de validação em diferentes hospitais e tipos de doenças, essa abordagem incremental baseada em transformers aponta para sistemas de IA que podem se manter atualizados com dados em mudança, oferecer explicações visuais detalhadas sobre onde os cânceres se localizam e, em última instância, apoiar patologistas a tomar decisões de tratamento mais confiantes e consistentes.

Citação: Fatima, S., Salam, A.A., Akram, M.U. et al. Incremental learning approach for semantic segmentation of skin histology images. Sci Rep 16, 9593 (2026). https://doi.org/10.1038/s41598-025-31553-6

Palavras-chave: câncer de pele, imagens histológicas, segmentação semântica, aprendizado incremental, transformers de aprendizado profundo