DermNet: arquitetura integrativa CNN-ViT para mitigação de viés em diagnósticos dermatológicos usando segmentação avançada e não supervisionada de lesões

Por que o diagnóstico em peles claras e escuras importa

Doenças de pele afetam quase todas as pessoas em algum momento da vida, desde acne e eczema até condições mais graves. No entanto, para muitas pessoas de pele morena ou escura, esses problemas são mais difíceis de identificar e mais fáceis de diagnosticar incorretamente, tanto na clínica quanto por ferramentas de inteligência artificial (IA). Este artigo apresenta o DermNet, um novo sistema de IA projetado para reconhecer doenças de pele de forma mais justa entre diferentes tons de pele, ensinando o computador a focar na área realmente doente em vez da cor da pele ao redor.

O problema da IA de pele que serve para todos

A maioria dos sistemas de IA existentes para diagnóstico de pele é treinada em fotos que se concentram fortemente em peles claras. Quando esses mesmos sistemas são usados em pessoas com complexões mais escuras, sua precisão cai entre 8% e 12%. Na prática, essa diferença pode significar sinais de alerta iniciais perdidos e tratamento atrasado. Coletar conjuntos de fotos médicas balanceados também é difícil: as imagens estão dispersas por hospitais, alguns países mantêm poucos registros digitais e a rotulagem por especialistas dermatologistas demanda tempo e custa caro. Como resultado, a IA frequentemente aprende atalhos, como associar certas doenças principalmente à pele pálida, em vez de realmente entender como uma lesão se apresenta.

Ensinando o computador a ver apenas o local afetado

Os autores atacam esse viés em sua origem: a própria imagem. Em vez de alimentar o sistema com fotos inteiras de braços, rostos ou pernas, eles primeiro recortam automaticamente apenas a área doente — a lesão — independentemente da cor da pele ao redor. Para isso, combinam uma poderosa ferramenta de código aberto chamada Segment Anything (que consegue contornar objetos sem treinamento específico) com truques clássicos de processamento de imagem que realçam diferenças de cor e brilho. Ao alternar inteligentemente entre espaços de cor e aplicar limiares automáticos, eles produzem “máscaras” em preto e branco que separam lesão de pele normal. Notavelmente, esse pipeline não supervisionado alcança cerca de 90% de sobreposição com contornos de lesões em qualidade de especialista, tanto em peles mais claras quanto mais escuras, sem depender de máscaras desenhadas à mão para treinamento.

Uma rede mais enxuta e mais inteligente para doenças de pele

Uma vez isolada a lesão, o DermNet assume o processamento. Esse classificador combina duas ideias populares de IA: redes neurais convolucionais (CNNs), boas em detectar bordas e texturas, e transformers de visão, que se destacam em capturar padrões de longa distância em uma imagem. O DermNet usa primeiro apenas duas camadas CNN leves para extrair detalhes finos do recorte da lesão e, em seguida, passa esses padrões para um transformer que aprende como diferentes partes da lesão se relacionam entre si. Como o sistema não precisa mais analisar fotos de corpo inteiro, ele pode ser pequeno — cerca de 2,5 milhões de parâmetros, menos de 10 megabytes — e ainda assim superar modelos de imagem muito maiores e amplamente usados.

Construindo um conjunto de dados mais justo nos bastidores

Para treinar e testar o DermNet, a equipe fundiu duas coleções anotadas por dermatologistas no que chamam de conjunto de dados SkinCon. Após exigir pelo menos 20 imagens por doença, obtiveram 3.643 imagens cobrindo 122 condições, com aproximadamente um terço de cada para peles claras, morenas e escuras. Eles expandiram ainda mais esse conjunto por meio de transformações simples, como rotação e ajustes de brilho, para reduzir overfitting e melhorar a robustez. Usando esse conjunto diverso e curado, descobriram que treinar com imagens completas e não segmentadas levava a um aprendizado instável e precisão de validação em torno de 50–56%. Quando mudaram para entradas somente com a lesão, o desempenho saltou: o DermNet atingiu cerca de 81% de precisão de validação e o fez de forma mais consistente entre os três grupos de tom de pele.

Do pipeline de laboratório ao assistente de bolso

Para demonstrar como isso pode funcionar na prática, os pesquisadores construíram um protótipo de aplicativo móvel. O usuário tira ou envia uma foto de uma área suspeita da pele; o sistema segmenta automaticamente a lesão, processa-a pelo DermNet e retorna os três diagnósticos mais prováveis com suas probabilidades — em menos de 20 segundos — deixando o julgamento final a cargo de um dermatologista. Embora não substitua um médico, ferramentas assim podem sinalizar doenças em estágio inicial, especialmente em regiões onde há escassez de dermatologistas, e ajudar a direcionar o tempo limitado de especialistas para os casos mais urgentes.

O que isso significa para pacientes no dia a dia

A principal conclusão para não especialistas é que a IA não precisa ser “cega à cor” de forma ingênua; em vez disso, ela pode ser guiada a olhar para a coisa certa: a própria lesão. Ao eliminar a influência do tom de pele de fundo e focar na área doente, este estudo mostra que é possível construir um modelo enxuto e preciso que trate imagens de peles claras, morenas e escuras de maneira mais igualitária. O DermNet é um passo inicial rumo a aplicativos e sistemas diagnósticos de doenças de pele que funcionem de forma confiável para todos, e não apenas para aqueles cuja pele coincide com a maioria das fotos médicas existentes.

Citação: Imran, M.H., Shahid, M., Aazam, M. et al. DermNet: integrative CNN-ViT architecture for bias mitigation in dermatological diagnostics using advanced unsupervised lesion segmentation. Sci Rep 16, 5291 (2026). https://doi.org/10.1038/s41598-026-35697-x

Palavras-chave: diagnóstico de doenças de pele, viés em IA médica, segmentação de lesões, imagens em dermatologia, vision transformer