R3MV: uma nova arquitetura de sistema confiável para classificação de câncer de pele usando um modelo multiblocos heterogêneo progressivo

Por que esta pesquisa importa para a sua pele

O câncer de pele está entre os tipos de câncer mais comuns no mundo, e a detecção precoce pode significar a diferença entre um procedimento simples e uma doença com risco de vida. Dermatologistas recorrem cada vez mais à inteligência artificial (IA) para ajudar a identificar pintas perigosas em imagens feitas com câmeras e dermatoscópios. Mas se diferentes sistemas de IA discordam sobre a mesma lesão, em qual deles o médico deve confiar? Este estudo apresenta uma nova forma de combinar vários pontos de vista de IA em uma decisão única e mais confiável sobre se uma lesão é cancerígena.

O problema de confiar em uma única máquina inteligente

A maioria das ferramentas de IA existentes para câncer de pele funciona treinando um modelo poderoso em um único conjunto de dados. Esses sistemas podem parecer impressionantes em testes de laboratório, mas seu desempenho frequentemente cai quando encontram imagens de novas clínicas, câmeras ou grupos de pacientes. Avaliações prévias em dermatologia destacaram validação externa fraca e baixa generalização: modelos que funcionam bem em um conjunto de dados cuidadosamente selecionado podem falhar em hospitais do mundo real. Como uma resposta errada pode atrasar o tratamento ou causar biópsias desnecessárias, os autores argumentam que confiar em um único modelo é arriscado para a tomada de decisão clínica.

Um novo sistema de votação multi‑voz

Para enfrentar isso, os pesquisadores propõem uma arquitetura de três níveis chamada R3MV, abreviação de sistema de votação majoritária confiável de três níveis. Em vez de pedir a um único modelo de IA por uma resposta, o R3MV faz a mesma imagem de pele passar por três caminhos de decisão diferentes. O primeiro caminho usa uma rede neural convolucional profunda que classifica a imagem diretamente. O segundo caminho alimenta várias redes profundas diferentes, funde os padrões que elas encontram e passa essas características destiladas para um classificador tradicional. O terceiro caminho observa as predições feitas por múltiplos modelos individuais e treina outro classificador com essas saídas. Finalmente, o sistema realiza uma votação majoritária entre os três caminhos, para que o veredito final reflita um consenso em vez de uma única opinião.

Uma forma mais inteligente de ler imagens de pele

No cerne do primeiro caminho está um modelo de imagem personalizado chamado Progressive Heterogeneous Multi‑Block CNN (PHMBCNN). Essa rede é construída a partir de vários blocos especializados que destacam diferentes aspectos visuais da lesão, como texturas finas ou estruturas mais amplas, de forma progressiva das camadas rasas às profundas. Os autores aprimoram ainda mais esse modelo adicionando uma Unidade Recorrente Gated (GRU), um tipo de módulo de memória que ajuda a rede a capturar relações entre canais e camadas. Essa versão melhorada, PHMBCNN‑GRU, funciona tanto como um classificador autônomo robusto quanto como uma fonte crítica de características para os outros caminhos do sistema.

Deixar múltiplos modelos aprenderem juntos

O segundo caminho foca em combinar forças de redes de imagem diversas. A mesma imagem da lesão é passada pelo PHMBCNN‑GRU e por vários modelos pré‑treinados populares originalmente desenvolvidos para fotografias gerais. Cada modelo extrai sua própria “impressão digital” de alta dimensionalidade da lesão. Essas impressões são concatenadas e então comprimidas usando técnicas que removem informações redundantes ou inúteis, retendo apenas as características mais informativas. Um perceptron multicamadas, uma rede neural clássica em camadas, então aprende a classificar as lesões com base nessa descrição conjunta refinada, efetivamente misturando o que cada modelo “vê” em uma visão única e mais nítida.

Transformando discordâncias em uma resposta mais forte

O terceiro caminho, chamado fusão ao nível da decisão, adota uma visão ainda mais de alto nível. Aqui, os autores tratam o rótulo previsto por cada modelo como uma entrada e treinam uma máquina de vetores de suporte para reconhecer padrões nos acordos e desacordos entre modelos. Esse meta‑classificador aprende, por exemplo, quando certas combinações de modelos costumam indicar uma mancha benigna ou quando um modelo em particular tende a errar em tipos específicos de lesões. Em todos os três caminhos, os pesquisadores pré‑processaram cuidadosamente as imagens—redimensionando, removendo artefatos de pelos e equilibrando classes—para refletir melhor a realidade imperfeita das imagens clínicas capturadas por dermatoscópios e smartphones.

Quão bem o sistema funciona na prática

A equipe testou sua abordagem em duas coleções amplamente usadas de imagens de câncer de pele: HAM10000, que contém imagens dermatoscópicas de alta qualidade de centros clínicos, e PAD_UFES_20, que inclui fotos de smartphones com artefatos mais fortes, como pelos densos e marcas de tinta. O modelo PHMBCNN‑GRU aprimorado sozinho melhorou a acurácia em comparação com sua versão base em ambos os conjuntos de dados. Mais importante, quando os três caminhos foram combinados por votação majoritária no sistema R3MV, o desempenho aumentou ainda mais, alcançando cerca de 99% de acurácia no HAM10000 e cerca de 82% no PAD_UFES_20. A remoção de pelos das lesões também melhorou consistentemente os resultados, mostrando quão crucial é a limpeza cuidadosa das imagens para o diagnóstico automatizado.

O que isso significa para exames de pele futuros

Para não especialistas, a mensagem principal é que este trabalho move a IA para câncer de pele de uma única “caixa preta” para um painel de “opiniões” independentes que devem concordar antes de sinalizar uma lesão como suspeita. Embora o R3MV não resolva completamente o desafio de fazer um único sistema funcionar igualmente bem em todas as clínicas e tipos de câmera, ele mostra que misturar modelos diferentes e votar entre eles pode produzir respostas mais confiáveis do que confiar em apenas um. Com o tempo, sistemas multi‑caminho como esse poderiam apoiar dermatologistas oferecendo avaliações mais estáveis, explicáveis e confiáveis sobre quais manchas de pele merecem atenção mais próxima ou uma biópsia.

Citação: Reshma, S.K., Reeja, S.R. R3MV: a novel reliable system architecture for skin cancer classification using progressive heterogeneous multiblock model. Sci Rep 16, 13599 (2026). https://doi.org/10.1038/s41598-026-40522-6

Palavras-chave: detecção de câncer de pele, IA em dermatologia, conjuntos de aprendizado profundo, análise de imagens médicas, diagnóstico assistido por computador