Aprendizado federado explicável e seguro para classificação de câncer de pele com aprimoramento de privacidade usando uma CNN multiescala leve

Por que exames de câncer de pele mais inteligentes importam

O câncer de pele é o tipo de câncer mais comum no mundo, e identificá‑lo precocemente pode salvar vidas. Ainda assim, um diagnóstico preciso depende em grande parte de especialistas que inspecionam cuidadosamente imagens de pintas e manchas na pele. Muitas clínicas não dispõem dessa expertise, e compartilhar grandes coleções de imagens de pacientes para treinar ferramentas computacionais melhores levanta sérias preocupações de privacidade. Este estudo apresenta uma nova forma de permitir que hospitais colaborem para treinar um sistema poderoso de detecção de câncer de pele sem nunca compartilhar as imagens brutas dos pacientes, ao mesmo tempo em que oferece aos médicos explicações visuais claras do que o sistema identifica.

Trabalhando juntos sem compartilhar segredos

A ideia central é um método de treinamento chamado aprendizado federado. Em vez de enviar imagens de pele a um servidor central, cada hospital mantém suas imagens localmente e treina uma cópia local do mesmo modelo computacional. Apenas o “conhecimento” aprendido (atualizações do modelo) é enviado a um servidor central, onde é combinado em um modelo global melhor e então enviado de volta a todos os hospitais. Neste trabalho, os autores simulam vários hospitais cooperando dessa forma em um grande conjunto de dados públicos de lesões de pele, de modo que o modelo se beneficia de casos diversos enquanto as imagens dos pacientes nunca deixam a instituição de origem.

Um leitor de imagens enxuto, porém atento

Para tornar essa colaboração prática, a equipe projetou uma nova rede neural convolucional multiescala leve (LWMS‑CNN). Muitos modelos de imagem populares são enormes e lentos para transmitir pelas redes hospitalares; em contraste, este modelo usa menos de um milhão de parâmetros treináveis, uma fração do que arquiteturas conhecidas exigem. Sua estrutura processa cada imagem de pele em vários níveis de detalhe em paralelo, desde bordas e texturas finas até padrões mais amplos, e então funda essas pistas. Esse desenho compacto mostrou‑se preciso e eficiente, superando ou igualando modelos mais pesados como ResNet e DenseNet em medidas padrão como acurácia, precisão e F1‑score, ao mesmo tempo em que é muito menor e mais rápido — importante para uso em servidores hospitalares modestos ou mesmo em dispositivos de borda.

Reforçando a privacidade com criptografia

Embora o aprendizado federado evite o envio de imagens brutas, as atualizações de modelo compartilhadas ainda podem vazar informações sob ataques sofisticados. Para fechar essa brecha, os autores envolvem toda a troca com criptografia homomórfica, uma técnica criptográfica que permite ao servidor somar e fazer a média das atualizações do modelo enquanto elas permanecem criptografadas. Os hospitais criptografam suas mudanças de modelo antes de enviá‑las; o servidor vê apenas números embaralhados, mas ainda pode calcular a atualização combinada. Apenas uma parte confiável pode descriptografar o resultado agregado. Testes mostraram que adicionar essa proteção afetou minimamente o desempenho: a acurácia caiu em cerca de 0,3 pontos percentuais (de 98,62% para 98,34%), um pequeno preço para uma privacidade muito mais forte e conformidade com rígidas regulamentações de dados médicos.

Abrindo a caixa preta para os clínicos

A alta acurácia por si só não é suficiente na medicina; os clínicos precisam entender por que um algoritmo tomou determinada decisão. Por isso, o estudo adiciona ferramentas de IA explicável sobre o modelo treinado. Uma ferramenta, SHAP, destaca quais partes de uma imagem mais influenciaram uma decisão, tratando cada bloco de pixels como um “jogador” em um jogo de votação. Outra, Grad‑CAM, sobrepõe um mapa de calor à lesão, mostrando onde a rede concentrou sua atenção ao, por exemplo, classificar uma mancha como maligna ou benigna. Juntas, essas visualizações permitem que dermatologistas verifiquem se o modelo está observando estruturas significativas — como bordas irregulares ou variações de cor — em vez de pelos, artefatos de iluminação ou pele de fundo, e examinem casos incertos ou incorretos.

Do laboratório às clínicas do mundo real

O sistema federado LWMS‑CNN com criptografia foi treinado e avaliado no conjunto de dados de lesões de pele HAM10000 e então testado em duas coleções adicionais, ISIC 2019 e PAD‑UFES‑20, que diferem em câmeras, tipos de lesões e populações de pacientes. Ele alcançou altas acurácias em todos os três conjuntos, sugerindo que a abordagem se generaliza bem além de uma única fonte de dados. Os autores também exploraram cenários mais difíceis e realistas nos quais diferentes “hospitais” veem misturas distintas de casos, e compararam várias formas de combinar atualizações de modelo; o método padrão FedAvg obteve o melhor desempenho. Embora os experimentos tenham sido executados em uma configuração simulada de múltiplos clientes em vez de hospitais fisicamente separados, os resultados mostram que um modelo compacto, treinamento preservador de privacidade e explicações visuais claras podem ser combinados em um único arcabouço. Para os pacientes, isso aponta para futuros exames de câncer de pele mais precisos, mais amplamente disponíveis e mais respeitosos da privacidade, mantendo sempre os médicos no controle.

Citação: Sayeed, A.S.M., Birahim, S.A., Ullah, M.S. et al. Explainable and secure federated learning for privacy-enhancing skin cancer classification using a lightweight multi-scale CNN. Sci Rep 16, 11414 (2026). https://doi.org/10.1038/s41598-026-41360-2

Palavras-chave: detecção de câncer de pele, aprendizado federado, privacidade de dados médicos, IA explicável, criptografia homomórfica