Classificação aprimorada de câncer de pele para classes minoritárias usando pipeline GAN condicional e conjunto CNN‑ViT

Por que exames de pele mais inteligentes importam

O câncer de pele está entre os tipos de câncer mais comuns no mundo, e detectá‑lo cedo pode marcar a diferença entre um procedimento ambulatorial simples e uma doença com risco de vida. Dermatologistas dependem fortemente de pistas visuais em imagens de pele ampliadas, mas mesmo especialistas têm dificuldade quando alguns tipos de câncer são raros e as imagens estão cheias de detalhes distrativos, como pelos. Este estudo apresenta um sistema de inteligência artificial (IA) projetado para lidar de forma mais justa com esses casos difíceis e subrepresentados, com o objetivo de apoiar rastreamentos de câncer de pele mais confiáveis para todos.

Dados irregulares e cânceres difíceis de detectar

Imagens de dermatologia apresentam vários desafios tanto para computadores quanto para clínicos. Muitas fotos mostram pelos, sombras e outros artefatos que ocultam a lesão propriamente dita. Alguns cânceres de pele são muito comuns, enquanto outros são raros, de modo que os principais conjuntos públicos contêm milhares de exemplos de pintas benignas, mas apenas algumas centenas de imagens de cânceres menos frequentes, porém clinicamente importantes. Modelos padrão de deep learning treinados em coleções tão desbalanceadas tendem a se tornar muito bons em reconhecer as classes majoritárias e a falhar silenciosamente nas raras — exatamente os casos em que a ajuda automatizada seria mais valiosa. Além disso, redes convencionais de imagem frequentemente focam em pequenos fragmentos e podem perder pistas globais, como assimetria geral ou bordas irregulares, que fazem diferença no diagnóstico.

Aproveitando melhor os casos raros

Para enfrentar o desbalanceamento, os autores primeiro constroem um gerador de imagens inteligente que aprende a partir de dados reais de pacientes e então fabrica novos exemplos com aparência realista dos tipos de lesão raros. Em vez de simplesmente espelhar ou rotacionar fotos existentes, o sistema deles — uma rede adversária geradora condicional — usa “mapas de atenção” derivados de um classificador padrão para ver quais partes de cada lesão mais influenciaram decisões anteriores. Esses mapas de atenção destacam zonas de significado médico. O gerador então cria novas imagens que preservam as estruturas críticas dentro dessas zonas, enquanto adiciona variação controlada em cor, textura e forma. Em efeito, a IA aprende a imaginar muitas versões plausíveis de cada câncer raro, enriquecendo o conjunto de treino sem copiar imagens diretamente.

Dupla forma de ver: detalhes locais e padrões globais

Depois que o conjunto de dados é reequilibrado com essas imagens sintéticas direcionadas, um segundo módulo de IA assume para realizar o diagnóstico real. Aqui, os pesquisadores combinam dois tipos de modelos complementares. Uma rede neural convolucional (ResNet50V2) se destaca em capturar pistas locais finas — pequenos estrias de pigmento, textura sutil e nitidez de borda. Em paralelo, um modelo vision transformer (DeiT) trata cada imagem como uma grade de patches e aprende como regiões distantes se relacionam entre si, captando propriedades da lesão como simetria, extensão e formato da borda. Em vez de esperar até o fim para juntar suas opiniões, a equipe funde suas representações internas por meio de um módulo de fusão baseado em atenção, que permite que o contexto global enfatize ou reduza o peso de características locais específicas em tempo real.

Colocando o sistema à prova

O pipeline é avaliado no HAM10000, uma coleção amplamente usada com mais de dez mil imagens dermatoscópicas cobrindo sete tipos de lesão, desde manchas pigmentadas inofensivas até melanoma e vários cânceres de pele menos comuns. Após remoção de pelos e uma divisão cuidadosa entre treino e teste, as novas imagens sintéticas são misturadas com os originais limpos para formar um conjunto de treino balanceado. O desempenho do modelo combinado é avaliado usando precisão, recall e F1‑score por classe, além de curvas ROC e precisão‑recall. Crucialmente, os autores se concentram em verificar se classes raras, como dermatofibroma, lesões vasculares, carcinoma basocelular e ceratose actínica, são reconhecidas com a mesma confiabilidade que os tipos abundantes, em vez de depender de um único número de acurácia geral que poderia mascarar fraquezas.

Respostas mais equilibradas pela IA

O sistema resultante entrega uma acurácia alta e, mais importante, bem equilibrada entre todas as sete classes. Ele alcança desempenho quase perfeito para vários cânceres minoritários e pontuações competitivas para os tipos restantes, além de apresentar baixa incerteza estatística quando testado por extensos reamostramentos bootstrap. Isso sugere que os ganhos não são um acaso de oversampling, mas decorrem da sinergia entre geração de imagens guiada por atenção e o classificador de visão dupla. Para um leigo, a mensagem principal é que um design de IA mais inteligente — não apenas modelos maiores — pode ajudar a garantir que ferramentas automatizadas de detecção de câncer de pele não negligenciem condições raras, porém perigosas. Embora sejam necessários testes adicionais em conjuntos mais amplos e multicêntricos antes do uso clínico, o trabalho aponta para assistentes de IA que tratam cada lesão cutânea, comum ou rara, com o mesmo grau de escrutínio.

Citação: Hussain, S.R., Saritha, S., Chevuri, A. et al. Enhanced skin cancer classification for minority classes using Conditional GAN pipeline and CNN-ViT ensemble. Sci Rep 16, 13114 (2026). https://doi.org/10.1038/s41598-026-43339-5

Palavras-chave: detecção de câncer de pele, IA em imagens médicas, desbalanceamento de classes, imagens médicas sintéticas, transformadores de visão