Classificação precisa de lesões cutâneas em imagens dermatoscópicas desequilibradas e de alta variância via o framework SCTFD

Por que exames de pele mais inteligentes importam

O câncer de pele está entre os tipos de câncer mais comuns, mas também é um dos mais tratáveis quando detectado precocemente. Dermatologistas dependem cada vez mais de fotografias em close de pintas e manchas, feitas com um ampliador portátil chamado dermatoscópio, para decidir quais são perigosas. Ainda assim, interpretar essas imagens é difícil, mesmo para especialistas, e os sistemas computacionais que poderiam ajudá‑los frequentemente falham porque alguns tipos de câncer são raros e as lesões podem variar muito de um paciente para outro. Este estudo apresenta um novo framework de inteligência artificial (IA), chamado SCTFD, projetado para tornar a classificação computacional de lesões cutâneas mais precisa e confiável precisamente nessas situações difíceis.

O desafio de manchas de pele raras e difíceis

Os conjuntos de imagens de pele do mundo real estão longe de ser equilibrados. Pintas comuns, em sua maioria inofensivas, aparecem milhares de vezes nos dados de treinamento, enquanto cânceres graves como melanoma ou tumores raros aparecem apenas algumas centenas de vezes ou menos. Ao mesmo tempo, lesões da mesma doença podem diferir muito em tamanho, cor e formato. Sistemas de IA padrão tendem a ajustar‑se excessivamente aos padrões mais comuns e a negligenciar os raros, o que é perigoso na medicina: é preferível não classificar corretamente uma pinta inofensiva do que perder um melanoma. Estratégias clássicas, como simplesmente copiar imagens raras, misturá‑las, ou usar modelos generativos complexos, têm limitações em realismo, estabilidade ou custo computacional. O SCTFD foi construído especificamente para lidar com esse desequilíbrio e variabilidade mantendo eficiência suficiente para uso prático.

Gerando melhores exemplos de treinamento

O primeiro bloco do SCTFD é um gerador de dados chamado CN‑SMOTE. Em vez de apenas interpolar valores de pixels ou treinar uma rede generativa adversarial frágil, o CN‑SMOTE usa um par codificador–decodificador: uma rede comprime uma imagem dermatoscópica em um código interno compacto, e outra reconstrói‑a de volta em imagem. Uma vez aprendido esse espaço compacto, o método encontra vizinhos próximos entre lesões de classes raras e interpola entre seus códigos, então decodifica esses códigos mistos de volta em novas imagens. Uma penalidade de treinamento especial mantém os códigos internos de lesões do mesmo tipo próximos entre si, para que as imagens sintéticas permaneçam realistas e fiéis à doença subjacente. O resultado é uma coleção maior e mais equilibrada de imagens dermatoscópicas em que tipos de lesão raros, porém importantes, estão melhor representados.

Vendo tanto os detalhes quanto o panorama geral

O segundo componente, MARD‑Net, concentra‑se em transformar cada imagem em um conjunto rico de características indicativas. Camadas convolucionais atuam como lupas ajustáveis que captam padrões finos, como bordas e texturas. Além disso, um módulo de atenção ensina a rede a concentrar‑se na pequena região onde a lesão realmente está, minimizando a pele saudável ao redor que pode distrair o modelo. Por fim, uma etapa baseada em Transformer observa toda a imagem para capturar relações entre partes distantes da lesão, como a disposição de cores e estruturas. Para evitar a pesada computação normalmente associada a Transformers, os autores introduzem uma estratégia de janela deslizante que permite ao modelo obter uma visão ampla da lesão enquanto realiza cálculos de atenção focalizados em regiões selecionadas, tornando‑o mais rápido e eficiente em memória.

Orientando o modelo a tratar cada classe de forma justa

O terceiro pilar do SCTFD é um novo objetivo de treinamento chamado FDLoss, que orienta a IA sobre como se ajustar durante o aprendizado. Em vez de contar cada imagem igualmente, o FDLoss enfatiza casos difíceis e raros para que o modelo não possa simplesmente “se acomodar” obtendo bom desempenho nos exemplos abundantes e fáceis. Ele combina ideias de duas regras de pontuação populares: uma que recompensa um bom equilíbrio entre sensibilidade e precisão, e outra que rebaixa exemplos triviais que a rede já classifica corretamente. Além disso, o FDLoss adiciona um termo que incentiva imagens da mesma doença a formar grupos compactos no espaço interno do modelo, enquanto afasta doenças diferentes. Essa combinação combate diretamente tanto o desequilíbrio de classes quanto a grande variação dentro de cada classe que normalmente confunde os classificadores.

Qual o desempenho da nova abordagem

Os autores testaram o SCTFD em dois benchmarks internacionais amplamente usados de imagens de pele, ISIC 2018 e ISIC 2019, que contêm dezenas de milhares de imagens dermatoscópicas clínicas reais com sete e oito tipos de lesão, respectivamente, e são fortemente inclinados a favor de pintas comuns. Em comparação com vários métodos de última geração, o SCTFD alcançou maior precisão e um equilíbrio perceptivelmente melhor entre identificar verdadeiros positivos e evitar alarmes falsos. Melhorou a precisão geral para cerca de 93% no ISIC 2018 e 91% no ISIC 2019, e elevou a pontuação F1 — uma medida que equilibra erros por omissão e etiquetagem incorreta — além de todos os sistemas concorrentes. Visualizações mostraram que seus módulos de atenção focalizam claramente as regiões de lesão e que as características de diferentes doenças ficam mais bem separadas após o treinamento.

O que isso significa para pacientes e médicos

Para pacientes, a promessa do SCTFD é uma segunda opinião mais confiável quando surge uma mancha suspeita na pele. Ao sintetizar exemplos realistas de cânceres raros, concentrar‑se nas partes mais informativas de cada imagem e treinar com uma função de perda que força separação clara entre tipos de doença, o framework reduz o risco de que sistemas automatizados deixem de identificar lesões perigosas simplesmente porque são incomuns ou atípicas. Embora não substitua o julgamento de um dermatologista, essa abordagem pode reduzir a barreira para diagnóstico precoce e preciso em clínicas e plataformas de telemedicina, potencialmente identificando cânceres de pele com risco de vida mais cedo e de forma mais consistente.

Citação: Li, X., Ouyang, J., Chen, Y. et al. Accurate skin lesion classification on imbalanced dermoscopic images with high variance via the SCTFD framework. Sci Rep 16, 12302 (2026). https://doi.org/10.1038/s41598-026-37846-8

Palavras-chave: detecção de câncer de pele, IA em dermatoscopia, classificação de imagens médicas, conjuntos de dados desequilibrados, aprendizado profundo em dermatologia