A classificação de lesões cutâneas por redes neurais convolucionais tem desempenho comparável ao de dermatologistas e pode ser aplicada na prática clínica?
Resposta curta: Sim, segundo a revisão sistemática, as CNNs mostram alto desempenho na classificação de lesões cutâneas, comparável à acurácia de dermatologistas. A abordagem mais comum e com melhor desempenho usa transferência de aprendizado. Porém, a comparabilidade entre estudos é difícil devido ao uso de conjuntos de dados não públicos, o que limita a reprodutibilidade e a aplicação clínica imediata.
Resposta
A revisão sistemática identificou 13 artigos que classificaram lesões cutâneas usando redes neurais convolucionais (CNNs). Os resultados indicam que as CNNs apresentam alto desempenho como classificadores de lesões cutâneas, comparável ao de dermatologistas. Isso sugere que essa tecnologia pode auxiliar no diagnóstico precoce e rápido, inclusive fora do ambiente hospitalar, por meio de aplicativos em dispositivos móveis.
Os métodos de classificação podem ser diferenciados em três princípios. A abordagem mais comum e com melhor desempenho nos conjuntos de dados limitados disponíveis atualmente é aquela que utiliza uma CNN já treinada em outro grande conjunto de dados e depois otimiza seus parâmetros para a classificação de lesões cutâneas. Essa estratégia de transferência de aprendizado tem se mostrado vantajosa.
Apesar do desempenho promissor, a comparabilidade entre os diferentes métodos é muito difícil. Alguns estudos utilizam conjuntos de dados não públicos para treinamento e/ou teste, o que dificulta a reprodutibilidade dos resultados. Além disso, a revisão não encontrou uma padronização nos protocolos de avaliação, o que limita a generalização das conclusões.
Os autores concluem que as CNNs são classificadores de lesões cutâneas de alto desempenho, mas ressaltam a necessidade de publicações futuras utilizarem benchmarks publicamente disponíveis e divulgarem completamente os métodos de treinamento para permitir comparabilidade. Isso é essencial para que a tecnologia possa ser validada e incorporada na prática clínica com segurança.
Para o médico brasileiro, a revisão reforça o potencial da inteligência artificial no apoio ao diagnóstico dermatológico, mas também evidencia que ainda há desafios importantes relacionados à transparência e à reprodutibilidade dos estudos. A aplicação clínica rotineira depende de validação em cenários locais e da disponibilidade de conjuntos de dados representativos da população brasileira.
O que o estudo mostrou
Trata-se de uma revisão sistemática que buscou artigos originais e revisões sistemáticas em inglês nas bases Google Scholar, PubMed, Medline, ScienceDirect e Web of Science. Foram incluídos 13 artigos que classificaram lesões cutâneas usando CNNs. Os métodos puderam ser diferenciados em três princípios, sendo a abordagem com CNN pré-treinada e posterior otimização de parâmetros a mais comum e com melhor desempenho nos conjuntos de dados limitados disponíveis. As CNNs mostraram alto desempenho como classificadores de lesões cutâneas.
Limitações
O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, nem sobre possíveis vieses de publicação. Também não são fornecidos dados quantitativos de desempenho (como acurácia, sensibilidade ou especificidade) dos classificadores. A dificuldade de comparabilidade entre os estudos, devido ao uso de conjuntos de dados não públicos, é uma limitação importante apontada pelos autores, que restringe a reprodutibilidade e a generalização dos achados.
Aplicação no consultório
A revisão sugere que as CNNs podem auxiliar no diagnóstico de lesões cutâneas com desempenho comparável ao de dermatologistas, o que pode ter implicações para a prática clínica, como o uso de aplicativos móveis para triagem. No entanto, a falta de padronização e a dificuldade de reprodutibilidade indicam que a implementação rotineira ainda requer validação em cenários locais. Para a gestão do consultório, é importante considerar a necessidade de treinamento da equipe e a integração cautelosa dessas ferramentas, sempre com supervisão médica.
Estudo citado
Skin Cancer Classification Using Convolutional Neural Networks: Systematic Review. Journal of medical Internet research, 2018.
Autores: Brinker TJ, Hekler A, Utikal JS, Grabe N, Schadendorf D, Klode J, Berking C, Steeb T, Enk AH, von Kalle C.
DOI: 10.2196/11936 · PubMed: PMID 30333097
Perguntas para aprofundar
- Quais são os desafios para a implementação clínica de sistemas de classificação de lesões cutâneas por CNNs?
- Como a transferência de aprendizado pode melhorar o desempenho de CNNs na classificação de lesões cutâneas?
- Quais critérios de qualidade devem ser considerados ao avaliar estudos sobre CNNs na dermatologia?
Mais sobre IA em dermatologia
- Como as redes neurais convolucionais podem auxiliar no diagnóstico de melanoma e qual o conhecimento dos dermatologistas sobre o tema?
- Aprendizado federado e por transferência são eficazes para classificar câncer de pele melanoma e não melanoma?
- Como as redes neurais artificiais têm sido aplicadas na detecção de melanoma e quais as tendências recentes?
- Uma revisão sistemática sobre técnicas de aprendizado profundo para detecção precoce de câncer de pele é útil para o médico brasileiro?
- Como a inteligência artificial pode apoiar a detecção de câncer de mama em mamografias e quais são as limitações atuais?
Todas as perguntas sobre IA em dermatologia · Todos os temas · Versão em markdown