IA usa imagem e dados clínicos para detectar câncer de pele agressivo com 94,5% de precisão

Um novo sistema de inteligência artificial (IA) alcançou 94,5% de precisão na identificação de melanoma o tipo mais agressivo de câncer de pele ao combinar a análise da imagem da lesão com dados clínicos básicos, como idade, sexo e localização da pinta.

Desenvolvida por pesquisadores da Universidade Nacional de Incheon (Coreia do Sul), a tecnologia promete acelerar o diagnóstico precoce e ampliar o acesso à detecção da doença.

O melanoma é um dos tumores de pele mais difíceis de diagnosticar. Muitas lesões parecem benignas e confundem até especialistas, atrasando tratamentos que precisam ser iniciados rapidamente. Quando detectado no início, a chance de cura ultrapassa 95%; em fases avançadas, o risco de metástase cresce e a sobrevida cai drasticamente.

Como a IA funciona

Diferente de modelos anteriores, que analisavam apenas imagens, o novo sistema integra informações clínicas relevantes. O modelo foi treinado com o banco internacional SIIM-ISIC, com mais de 33 mil imagens e metadados, aprendendo a relacionar:

• características visuais da lesão (cor, borda, textura, assimetria);
• idade e sexo do paciente;
• região do corpo onde a lesão aparece.

O desempenho superou redes conhecidas como ResNet-50 e EfficientNet, atingindo F1-score de 0,94.

O que a IA realmente considera

Uma análise de importância das variáveis mostrou que fatores como tamanho da lesão, idade do paciente e local anatômico têm grande peso no acerto. Essa transparência ajuda médicos a entenderem e validarem o resultado, reforçando o uso da IA como apoio, não substituição.

Aplicações práticas

A tecnologia pode ser usada em:

• apps de triagem em smartphones;
• plataformas de teledermatologia;
• sistemas de apoio à decisão em consultórios.

Isso pode beneficiar regiões com poucos especialistas, agilizando encaminhamentos e reduzindo erros.

Próximos passos

O estudo, publicado na *Information Fusion*, segue a tendência da IA multimodal, que integra diferentes tipos de dados para decisões mais precisas. A equipe agora pretende ampliar testes clínicos, adaptar o modelo a novas populações e integrá-lo a sistemas de saúde.