# Algoritmos de deep learning são precisos para o diagnóstico precoce de melanoma uveal?

> Sim, segundo esta revisão sistemática com meta-análise de cinco estudos e 6388 pacientes, o deep learning apresentou sensibilidade agrupada de 89,0% e especificidade de 84,9% na diferenciação entre melanoma uveal, nevos oculares e indivíduos saudáveis, com heterogeneidade significativa apenas para especificidade.

Estudo citado: de Moraes FCA, Matheus GTFU, de Brito Dichtl ÍL, Kreuz M, da Silva ER, Burbano RMR. Deep learning for early diagnosis of uveal melanoma: a systematic review and meta-analysis. Clinical & translational oncology : official publication of the Federation of Spanish Oncology Societies and of the National Cancer Institute of Mexico. 2026. DOI: https://doi.org/10.1007/s12094-025-04187-3. PubMed: https://pubmed.ncbi.nlm.nih.gov/41615646/

## Resposta

O melanoma uveal é um câncer raro, com incidência anual estimada de 6 casos por milhão de pessoas, e cerca de metade dos pacientes desenvolve metástases à distância, principalmente para o fígado. Após a metástase, o prognóstico é ruim, com sobrevida mediana inferior a 1 ano e opções terapêuticas limitadas. Nesse contexto, métodos diagnósticos mais precoces são uma necessidade crítica não atendida.

Esta revisão sistemática e meta-análise avaliou a acurácia de algoritmos de deep learning no diagnóstico diferencial de melanoma uveal. Foram incluídos cinco estudos, totalizando 6388 pacientes, sendo 2981 com melanoma uveal, 2563 com nevos oculares e 844 indivíduos saudáveis. A idade média dos pacientes com melanoma variou de 58 a 63,2 anos, e a dos pacientes com nevos, de 58 a 66 anos.

Os resultados mostraram sensibilidade agrupada de 89,0% (IC 95% 88,6-89,5%), sem heterogeneidade significativa (I2 = 0,0%, p = 0,9242), com sensibilidades individuais variando de 82,4% a 100,0%. A especificidade agrupada foi de 84,9% (IC 95% 73,7-91,9%), com heterogeneidade significativa (I2 = 72,3%, p = 0,006), variando de 73,7% a 95,0%. A maior coorte apresentou especificidade de 76,0% (IC 95% 75,1-76,9%).

Os autores concluem que, embora a imagem de fundo de olho seja amplamente utilizada em ambulatórios, a imagem multimodal permanece limitada a clínicas especializadas. O desenvolvimento de software para analisar imagens de fundo de olho poderia melhorar a detecção precoce e não invasiva do melanoma uveal, oferecendo uma ferramenta diagnóstica de custo-efetiva.

Para o médico brasileiro, esses achados sugerem que ferramentas de deep learning aplicadas a imagens de fundo de olho podem auxiliar na triagem e no diagnóstico precoce do melanoma uveal, especialmente em contextos com acesso restrito à imagem multimodal. No entanto, a heterogeneidade na especificidade e a necessidade de validação externa devem ser consideradas antes da implementação clínica rotineira.

## O que o estudo mostrou

Revisão sistemática e meta-análise que incluiu cinco estudos com 6388 pacientes (2981 com melanoma uveal, 2563 com nevos e 844 saudáveis). A sensibilidade agrupada dos algoritmos de deep learning foi de 89,0% (IC 95% 88,6-89,5%), sem heterogeneidade significativa. A especificidade agrupada foi de 84,9% (IC 95% 73,7-91,9%), com heterogeneidade significativa (I2 = 72,3%). A maior coorte teve especificidade de 76,0% (IC 95% 75,1-76,9%).

## Limitações

O resumo não informa detalhes sobre o desenho individual dos estudos incluídos, critérios de seleção ou risco de viés. A heterogeneidade significativa para especificidade sugere inconsistência entre os estudos. Além disso, o número reduzido de estudos (cinco) limita a robustez das estimativas agrupadas. O resumo também não informa se houve validação externa ou análise de subgrupos.

## Aplicação no consultório

Os achados indicam que o deep learning em imagens de fundo de olho pode ser uma ferramenta auxiliar na triagem de melanoma uveal, especialmente onde a imagem multimodal não está disponível. Para a gestão do consultório, isso pode significar incorporar softwares de apoio diagnóstico em exames de rotina, mas com cautela devido à heterogeneidade da especificidade. O médico deve considerar a necessidade de confirmação por especialista e acompanhar a validação clínica dessas ferramentas antes de adotá-las na prática.

## Perguntas para aprofundar

- Qual é a acurácia diagnóstica do deep learning em imagens de fundo de olho para melanoma uveal em comparação com especialistas?
- Como a heterogeneidade na especificidade dos algoritmos de deep learning impacta a triagem de melanoma uveal?
- Quais são os desafios para implementar ferramentas de deep learning no diagnóstico precoce de melanoma uveal no Brasil?

Tema: IA em dermatologia. Página: https://alphadoctor.com.br/ciencia/ia-dermatologia/algoritmos-de-deep-learning-sao-precisos-para-o-diagnostico-precoce-de-melanoma/

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