# Algoritmos de deep learning baseados em dermatoscopia têm desempenho superior ao dos dermatologistas no diagnóstico de carcinoma basocelular?

> Sim, em validação interna. A meta-análise mostrou sensibilidade de 0,96 e especificidade de 0,98 para os algoritmos, contra 0,75 e 0,97 dos dermatologistas, com AUC de 0,99 versus 0,96. Porém, a superioridade foi demonstrada apenas em conjuntos de validação interna, não em validação externa.

Estudo citado: Liu H, Shang G, Shan Q. Deep Learning Algorithms in the Diagnosis of Basal Cell Carcinoma Using Dermatoscopy: Systematic Review and Meta-Analysis. Journal of medical Internet research. 2025. DOI: https://doi.org/10.2196/73541. PubMed: https://pubmed.ncbi.nlm.nih.gov/41043135/

## Resposta

A meta-análise reuniu 15 estudos que avaliaram algoritmos de deep learning aplicados à dermatoscopia para detectar carcinoma basocelular. A pergunta central era se esses algoritmos superam o desempenho dos dermatologistas. Os resultados agrupados indicam que, em conjuntos de validação interna, os modelos apresentaram sensibilidade de 0,96 e especificidade de 0,98, enquanto os dermatologistas tiveram sensibilidade de 0,75 e especificidade de 0,97. A área sob a curva (AUC) foi de 0,99 para os algoritmos e 0,96 para os médicos.

A diferença de AUC foi estatisticamente significativa na análise de validação interna, favorecendo os algoritmos. No entanto, o resumo destaca que o desempenho em validação interna não necessariamente se traduz para conjuntos de validação externa. Os estudos incluídos apresentaram, em sua maioria, desenho retrospectivo e variações nos padrões de referência, o que pode limitar a generalização dos achados.

Para o médico brasileiro, esses achados sugerem que a inteligência artificial pode apoiar a diagnose dermatoscópica, mas ainda não substitui a avaliação clínica. A heterogeneidade metodológica e a falta de validação externa robusta exigem cautela antes de incorporar essas ferramentas na rotina. O resumo não informa detalhes sobre a população dos estudos ou os tipos de algoritmos utilizados.

A aplicação prática no consultório envolve considerar a tecnologia como ferramenta auxiliar, não como padrão isolado. A gestão do consultório pode se beneficiar de sistemas que aumentem a acurácia diagnóstica, mas é preciso avaliar a validação local e a integração com o julgamento clínico. O resumo reforça a necessidade de mais estudos de validação externa para confirmar a aplicabilidade dos algoritmos em diferentes contextos.

Em síntese, a meta-análise mostra potencial dos algoritmos de deep learning, especialmente em sensibilidade, mas a evidência ainda é limitada por vieses e falta de validação externa. O médico deve interpretar os resultados com discernimento, aguardando estudos que confirmem a reprodutibilidade em cenários reais.

## O que o estudo mostrou

Revisão sistemática e meta-análise que incluiu 15 estudos (de 1941 identificados) com conjuntos de validação interna de 32.069 pacientes ou imagens e validação externa de 200 pacientes ou imagens. Para algoritmos de deep learning baseados em dermatoscopia, a sensibilidade agrupada foi 0,96 (IC 95% 0,93-0,98), especificidade 0,98 (IC 95% 0,96-0,99) e AUC 0,99 (IC 95% 0,98-1,00). Para dermatologistas, sensibilidade 0,75 (IC 95% 0,66-0,82), especificidade 0,97 (IC 95% 0,95-0,98) e AUC 0,96 (IC 95% 0,94-0,98). A AUC dos algoritmos foi significativamente maior que a dos dermatologistas em validação interna (z=2,63; P=0,008).

## Limitações

O resumo informa que muitos estudos incluídos tinham desenho retrospectivo e variações nos padrões de referência, o que pode restringir a generalização. Além disso, o desempenho em validação interna não necessariamente se traduz para validação externa, e os autores destacam a necessidade de validação externa adicional. O resumo não detalha a população dos estudos nem os tipos específicos de algoritmos.

## Aplicação no consultório

Os achados sugerem que algoritmos de deep learning podem auxiliar na diagnose dermatoscópica de carcinoma basocelular, especialmente em sensibilidade. No consultório, isso pode apoiar decisões clínicas, mas a falta de validação externa e a heterogeneidade metodológica exigem cautela. O médico deve considerar a ferramenta como complementar, não substituta do julgamento clínico, e avaliar a aplicabilidade local antes de incorporá-la à rotina.

## Perguntas para aprofundar

- Qual é o desempenho de algoritmos de deep learning na dermatoscopia para outros tumores cutâneos?
- Como a validação externa de algoritmos de deep learning pode ser conduzida em cenários clínicos reais?
- Quais são os principais vieses que afetam estudos de acurácia diagnóstica com inteligência artificial em dermatologia?

Tema: IA em dermatologia. Página: https://alphadoctor.com.br/ciencia/ia-dermatologia/algoritmos-de-deep-learning-baseados-em-dermatoscopia-tem-desempenho-superior/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.