Sistema de IA de aprendizagem multitarefa para auxiliar no diagnóstico de CBC com dupla explicação

Por que isso importa para a saúde da pele no dia a dia

O câncer de pele é o tipo de câncer mais comum no mundo, e o carcinoma basocelular é sua forma mais frequente. À medida que a telemedicina se expande, médicos de atenção primária estão enviando mais fotos de pele para especialistas hospitalares do que nunca, criando filas longas e atrasos. Este estudo apresenta uma ferramenta de inteligência artificial que não apenas identifica prováveis carcinomas basocelulares nessas imagens, mas também mostra aos médicos por que chegou a essa conclusão, tornando mais fácil confiar nela e usá-la em clínicas reais.

Como as fotos de pele circulam pela telemedicina hoje

Em muitas regiões, médicos de família usam teledermatologia para enviar imagens de perto de pele a dermatologistas hospitalares. Esses especialistas procuram um conjunto de pistas visuais, como certas formas, cores e padrões vasculares, para decidir se uma lesão é um carcinoma basocelular ou algo inofensivo. Embora as regras básicas sejam bem conhecidas, cada caso pode ter aparência bastante diferente, e os especialistas precisam revisar um volume crescente de imagens de muitas clínicas, o que reduz a velocidade do atendimento e sobrecarrega o sistema.

Transformando regras de especialistas em um assistente útil

Os pesquisadores projetaram um sistema de IA que segue a mesma lógica que os especialistas usam. Ele procura sete padrões visuais-chave em cada imagem dermatoscópica, como ulceração ou formas em folha, e também verifica um padrão que indica que a lesão provavelmente não é carcinoma basocelular. Em vez de apenas dizer “câncer” ou “não câncer”, a ferramenta informa quais desses padrões detectou e então usa regras simples baseadas na prática dos dermatologistas para declarar uma lesão como provavelmente cancerosa ou não. Essa abordagem torna o raciocínio do computador mais fácil de entender.

Treinando o sistema com muitas opiniões

Para ensinar a IA, a equipe usou 1.559 imagens de pele coletadas em 60 centros de atenção primária na Andaluzia, além de imagens adicionais sem câncer de um arquivo público. Quatro dermatologistas marcaram quais dos sete padrões viam em cada lesão, mas não existe uma referência perfeita para esses padrões granulares, e os especialistas frequentemente discordam. Os pesquisadores usaram um método estatístico para fundir essas diferentes opiniões em um único rótulo de consenso para cada imagem, capturando o julgamento coletivo e reduzindo o viés individual.

O que a IA aprendeu a fazer

O núcleo do sistema é uma rede de reconhecimento de imagem compacta adaptada de uma arquitetura móvel conhecida. Ela é treinada para realizar duas tarefas ao mesmo tempo: separar carcinomas basocelulares de outras lesões e detectar os padrões visuais que suportam essa decisão. Para lidar com padrões raros e um conjunto de dados desigual, a equipe aplicou técnicas como funções de perda avançadas, aumento de dados e validação cruzada cuidadosa. O resultado é um modelo que classifica corretamente lesões como carcinoma basocelular ou não em cerca de 90% das vezes e ainda tem bom desempenho na identificação dos padrões visuais cruciais que orientam essa decisão.

Vendo onde a IA está olhando

Além das listas de padrões, o sistema fornece mapas coloridos que destacam as regiões da imagem mais responsáveis por sua decisão. Para verificar se esses mapas realmente correspondem ao raciocínio clínico, dermatologistas delinearam cuidadosamente as áreas dos padrões em centenas de imagens. Os pesquisadores então compararam as zonas destacadas pela IA com esses contornos e descobriram que a maior parte da “atenção” do modelo cai dentro das mesmas regiões que os especialistas consideram importantes. Em quase todos os casos positivos para câncer, pelo menos um padrão relevante foi identificado corretamente, e na maioria dos casos não cancerosos a regra do padrão “seguro” esperada foi respeitada.

O que isso significa para pacientes e médicos

Em conjunto, os resultados mostram que uma ferramenta de IA compacta pode ajudar a triar lesões cutâneas na teledermatologia ao mesmo tempo que fornece razões claras e clinicamente relevantes para suas escolhas. Ela não substitui os dermatologistas, mas pode destacar quais casos devem ser atendidos com prioridade e mostrar as pistas visuais por trás de seus alertas. Como o sistema funciona em hardware leve e espelha o raciocínio dos especialistas, é bem adequado para implantação rápida em redes de atenção primária, com potencial para acelerar o diagnóstico, apoiar o aprendizado e aumentar a confiança nos cuidados com câncer de pele assistidos por IA.

Citação: Matas, I., Serrano, C., Silva-Clavería, F. et al. MultiTask learning AI system to assist BCC diagnosis with dual explanation. Sci Rep 16, 15652 (2026). https://doi.org/10.1038/s41598-026-40229-8

Palavras-chave: carcinoma basocelular, teledermatologia, IA explicável, imagens de lesões cutâneas, dermoscopia