Avanços na classificação da psoríase usando algoritmos personalizados de transferência de aprendizado

Por que um diagnóstico cutâneo mais inteligente importa

Psoríase é mais do que uma erupção persistente. Essa condição de pele de longa duração pode rachar, sangrar, coçar e até comprometer articulações, prejudicando o sono, o trabalho e a vida social. Ainda assim, os médicos costumam diagnosticá‑la principalmente pela aparência, o que pode ser demorado e subjetivo — especialmente quando a doença assume formas diferentes em diversas partes do corpo. Este estudo explora como a inteligência artificial (IA) moderna pode ajudar: treinando programas de computador para reconhecer sete tipos distintos de psoríase a partir de fotografias da pele, com uma precisão que rivaliza com a de especialistas e que, um dia, pode lhes oferecer suporte.

Uma doença, muitas faces

A psoríase não tem a mesma aparência em todas as pessoas. Os pesquisadores focam em sete subtipos: placa (as clássicas placas escamosas), gutata (pequenas manchas em forma de gota), psoríase ungueal, psoríase pustulosa (bolhas semelhantes a espinhas cheias de pus), psoríase eritrodérmica (vermelhidão extensa e intensa), psoríase inversa (áreas vermelhas e lisas em dobras cutâneas) e artrite psoriática, que combina alterações na pele com articulações doloridas e inchadas. Diferenciar esses tipos é importante porque cada um pode exigir tratamentos distintos e sinalizar riscos diferentes. No entanto, os sintomas podem se sobrepor entre si e com outras doenças de pele, o que torna o diagnóstico visual desafiador, sobretudo fora de clínicas especializadas.

Construindo uma rica biblioteca de imagens

Para ensinar computadores a distinguir esses subtipos, a equipe primeiro teve de reunir dados adequados. Coleções públicas existentes de imagens de pele raramente rotulam o subtipo exato de psoríase, e algumas formas são muito mais raras que outras. Os autores reuniram 4.005 imagens de vários repositórios médicos públicos, incluindo ISIC, HAM10000 e DermNet. Em seguida, agruparam cada imagem em uma das sete categorias de psoríase. Para evitar que o computador superaprendesse os tipos comuns e ignorasse os raros, utilizaram “aumento de imagem”: criando cópias variadas das fotos por rotação, zoom e espelhamento. Essa etapa de balanceamento tornou o conjunto de dados mais uniforme entre as sete classes e ajudou os modelos a aprender padrões robustos em vez de memorizar alguns exemplos frequentes.

Ensinando máquinas a ler a pele

Em vez de começar do zero, os pesquisadores recorreram à transferência de aprendizado. Eles usaram três poderosos sistemas de reconhecimento de imagem — ResNet50, InceptionResNetV2 (referido aqui como InceptionV2) e InceptionV3 — originalmente treinados com milhões de fotos do cotidiano, e os ajustaram (fine‑tuning) com imagens de psoríase. Antes de alimentar as redes, padronizaram cada imagem para um tamanho fixo e normalizaram os valores dos pixels. Em seguida, congelaram a maior parte das camadas internas, adicionaram novas camadas “superiores” adaptadas às sete categorias de psoríase e treinaram essas camadas no conjunto de dados curado. Dois procedimentos de treinamento populares, chamados otimizadores Adam e RMSprop, foram comparados para avaliar qual produzia aprendizado mais confiável.

Qual IA aprende melhor a psoríase?

Os três modelos de IA conseguiram reconhecer os tipos de psoríase com precisão promissora, mas um se destacou. O modelo ResNet50 teve desempenho razoável, classificando corretamente cerca de quatro em cada cinco imagens de teste. O InceptionV2 foi bem melhor, alcançando cerca de 97% de acurácia em dados de teste não vistos quando treinado com o otimizador RMSprop. Os melhores resultados vieram do InceptionV3, novamente associado ao RMSprop: ele identificou corretamente o subtipo em cerca de 99% das imagens de teste, e sua precisão e sensibilidade (com que frequência suas previsões positivas e suas detecções estavam corretas) também foram altas. Ferramentas de explicação visual, que destacam as áreas da imagem que influenciam a decisão da IA, mostraram que o modelo se concentrava em regiões clinicamente relevantes das lesões em vez de no fundo irrelevante — um sinal encorajador para a confiança clínica futura.

O que isso pode significar para os pacientes

Para pessoas que vivem com psoríase, esses avanços não substituem um dermatologista, mas em breve podem oferecer um poderoso segundo olhar. Um sistema automatizado e preciso capaz de classificar fotos de pele em subtipos detalhados poderia apoiar a telessaúde, ajudar médicos não especialistas em áreas remotas e sinalizar casos complexos ou graves mais cedo. Os autores destacam que a ferramenta ainda precisa ser testada em fotos clínicas do mundo real e em uma variedade de tons de pele e câmeras. Mesmo assim, o trabalho mostra que uma IA bem treinada — especialmente o modelo InceptionV3 — pode distinguir de forma confiável entre sete formas de psoríase, abrindo caminho para diagnósticos mais rápidos, consistentes e, em última instância, para um cuidado mais personalizado.

Citação: Lakshmi, L., Dhana Sree Devi, K., Rao, K. et al. Advancements in psoriasis classification using custom transfer learning algorithms. Sci Rep 16, 7007 (2026). https://doi.org/10.1038/s41598-026-38197-0

Palavras-chave: psoríase, imagem da pele, aprendizado profundo, IA médica, classificação de doenças