Melan-Dx: uma estrutura visão-linguagem enriquecida por conhecimento melhora o diagnóstico diferencial da patologia de neoplasias melanocíticas

Por que um diagnóstico de melanoma mais inteligente importa

O melanoma, uma forma perigosa de câncer de pele, muitas vezes pode ser curado se detectado precocemente — mas somente se os médicos que analisam as lâminas ao microscópio o reconhecerem corretamente. Infelizmente, mesmo especialistas experientes às vezes discordam sobre o que veem, especialmente em crescimentos limítrofes que parecem quase, mas não totalmente, malignos. Este artigo descreve o Melan‑Dx, um novo sistema de inteligência artificial (IA) que pretende apoiar especialistas em câncer de pele combinando milhares de imagens microscópicas rotuladas por peritos com conhecimento médico estruturado, oferecendo diagnósticos mais rápidos, consistentes e transparentes.

Construindo um atlas rico de imagens de tumores cutâneos

O primeiro passo foi reunir um “atlas” de alta qualidade de tumores melanocíticos — a ampla família de lesões que inclui pintas inocentes e melanomas potencialmente fatais. Dermatopatologistas da Universidade da Pensilvânia selecionaram e rotularam cuidadosamente 2.893 imagens microscópicas cobrindo 44 tipos diferentes de lesões melanocíticas, desde nevos benignos comuns até melanomas raros e agressivos. Cada imagem foca uma região de interesse e é mapeada em uma hierarquia de três níveis baseada nas classificações tumorais da Organização Mundial da Saúde (OMS), agrupando as doenças primeiro por categoria ampla, depois por subtipo e, finalmente, por diagnóstico específico. Essa organização estruturada reflete como os especialistas pensam sobre essas lesões na prática diária.

Ensinando a IA com conhecimento médico, não apenas pixels

O Melan‑Dx vai além da IA típica voltada apenas para imagens ao emparelhar fotos com descrições textuais extraídas de fontes médicas autoritativas. Para cada tipo de doença, a equipe compilou entradas curtas e estruturadas que descrevem o que os patologistas procuram — como forma celular, padrão de crescimento e resultados de colorações especiais — e como essas características distinguem uma lesão da outra. Um grande modelo de linguagem ajudou a organizar essa informação, mas especialistas humanos a revisaram para garantir precisão. Juntas, as imagens e os textos são convertidos em “embeddings” numéricos e armazenados em um banco de dados pesquisável. Isso permite à IA não apenas reconhecer padrões visuais, mas também vinculá‑los a critérios diagnósticos explícitos, de modo semelhante a um médico consultando um livro ilustrado e bem indexado.

Como o sistema Melan‑Dx raciocina sobre um novo caso

Quando o Melan‑Dx recebe uma nova imagem de biópsia, ele a processa por meio de dois ramos coordenados. No ramo de imagem, um modelo de visão codifica a foto e recupera os exemplos mais similares do atlas, destacando aqueles que mais combinam e mesclando‑os em uma representação enriquecida. No ramo de conhecimento, a mesma imagem é usada para acionar os trechos de texto mais relevantes que descrevem diagnósticos possíveis. Módulos “especialistas” para cada tipo de doença ponderam quais imagens de referência e entradas de conhecimento são mais importantes, e blocos de fusão combinam essas pistas. O sistema é treinado de forma que, para um diagnóstico correto, as representações de imagem e texto enriquecidas fiquem próximas, enquanto pares incompatíveis sejam afastados. Esse aprendizado contrastivo ajuda a IA a separar dezenas de tipos de tumor sutilmente diferentes, mantendo‑se ancorada no conhecimento médico.

Testando precisão, segurança e eficiência

Os pesquisadores então compararam o Melan‑Dx a vários modelos de IA líderes em patologia em múltiplas tarefas. Na pergunta básica “melanoma ou não?”, o Melan‑Dx alcançou até 87% de acurácia, superando tanto modelos levemente adaptados quanto aqueles totalmente re-treinados. Em uma classificação mais difícil com 40 classes entre muitos subtipos de melanoma e nevos, atingiu quase 70% de acurácia na primeira opção e mais de 87% quando foram permitidas três hipóteses, novamente superando abordagens concorrentes. O sistema também respeitou a hierarquia de doenças: quando errou, teve mais probabilidade de confundir condições intimamente relacionadas do que de misturar categorias benignas com malignas, o que reflete melhor os riscos clínicos do mundo real. Em imagens de lâmina inteira — grandes digitalizações de seções teciduais inteiras — o Melan‑Dx melhorou a detecção de câncer tanto quando os dados de treinamento eram escassos quanto quando havia muitos exemplos disponíveis, e fez isso reduzindo o tempo de treinamento em quase 90–97% porque o modelo de visão central não precisa ser re-treinado.

O que isso significa para pacientes e médicos

Para pacientes, a promessa do Melan‑Dx não é um médico robô onisciente, mas uma segunda opinião mais inteligente que pode ajudar a reduzir melanomas perdidos e alarmes desnecessários por sobrediagnóstico. Para clínicos, o sistema oferece não apenas um rótulo, mas também evidências: mostra casos semelhantes anteriores e os critérios escritos-chave que sustentam sua sugestão, tornando seu raciocínio mais fácil de examinar. Embora o trabalho atual se concentre em tumores melanocíticos e dependa de um conjunto de dados cuidadosamente curado de um único centro, a mesma estratégia — vincular imagens ao conhecimento médico estruturado e usar recuperação para orientar a IA — poderia ser estendida a muitas outras doenças. Como uma ferramenta leve e explicável projetada para colaboração humano-IA, o Melan‑Dx aponta para um futuro em que os patologistas permanecem no comando, mas estão melhor equipados para oferecer diagnósticos de câncer de pele precisos e oportunos.

Citação: Yao, J., Li, S., Liang, P. et al. Melan-Dx: a knowledge-enhanced vision-language framework improves differential diagnosis of melanocytic neoplasm pathology. npj Digit. Med. 9, 171 (2026). https://doi.org/10.1038/s41746-026-02357-3

Palavras-chave: diagnóstico de melanoma, patologia computacional, IA médica, modelos visão-linguagem, detecção de câncer de pele