A psoríase é doença inflamatória que afeta 125 milhões de pessoas em todo o mundo. Sua avaliação pode ser realizada por meio do Psoriasis Area and Severity Index (PASI), ferramenta validada e mais utilizada em pacientes com psoríase em placas. O PASI é essencial para que o dermatologista tenha um parâmetro numérico da evolução do paciente, especialmente na era dos avanços em imunobiológicos.4

Observa‐se que o PASI apresenta variação intra‐ e inter‐avaliador significante, calculado em até 33% dos casos, principalmente em centros universitários onde o paciente não é avaliado pelo mesmo dermatologista. A IA pode auxiliar tanto no diagnóstico e cálculo do PASI quanto na aplicação de protocolos personalizados e na predição da evolução clínica.4–6

O primeiro programa de IA para psoríase foi desenvolvido em 2014 a fim de prever o risco de psoríase em dois bancos de dados genéticos, com 99% de precisão. Posteriormente, programas de deep learning (aprendizado profundo) começaram a ser desenvolvidos para calcular o PASI, visando facilitar e padronizar a avaliação. Os programas são desenvolvidos com base na opinião de especialistas na área, e bancos de imagens são utilizados para o treinamento. A IA, então, calcula o escore a partir da análise de imagens, e esse resultado é comparado com a opinião de especialistas. Até o momento, poucos estudos publicados se concentraram em parte do escore PASI e não no valor final.7

A primeira avaliação foi realizada por Shrivastava et al., a partir da análise de cada pixel das fotos dos segmentos corporais, classificados como pele ou área da lesão, com precisão de 99%. Entretanto, utilizou apenas 670 imagens para treinamento, o que pode ter gerado resultado pouco confiável. Outros estudos calcularam com precisão as subcategorias do PASI, variando de 93,8% a 48,8%. Há um estudo que avaliou apenas eritema e descamação, com precisões de 78,9% e 88,7%, respectivamente.6,8

Uma publicação recente de 2022 utilizou 705 fotos do tronco para treinamento em rede neural convolucional (CNN, do inglês convolutional neural network – um exemplo é demonstrado na figura 1), denominado Single‐Shot PASI. Posteriormente, o teste foi validado com dez imagens, que foram selecionadas como conjuntos de teste e excluídas dos conjuntos de treinamento. O estudo também comparou a diferença no PASI antes e depois do auxílio da IA (o especialista calculou o PASI e então visualizou o PASI da IA, podendo refazê‐lo), mostrando que a IA auxilia na classificação mais homogênea entre os avaliadores. Entretanto, destaca‐se que, idealmente, o treinamento deve ser realizado com mais de 10.000 imagens para modelos de aprendizado profundo, mas é possível realizar com menos.9

Figura 1.

Arquitetura básica do perceptron multicamadas.

Três artigos recentes obtiveram resultados positivos com a programação para o cálculo do PASI completo: Huang et al. utilizaram 1.962 pacientes para treinamento e 405 para validar o teste. O modelo foi comparado com a avaliação de 43 dermatologistas experientes. Por fim, o modelo foi incorporado a um aplicativo no qual os pacientes podiam tirar uma foto de si mesmos para incluir o PASI no prontuário médico.10

Outro trabalho importante foi realizado por Schaap et al., treinando a CNN com 576 imagens do dorso, 614 dos braços e 541 de pernas, utilizando como base a classificação de especialistas e, em seguida, comparando‐as com a avaliação apenas da imagem do tronco por cinco médicos com experiência em PASI. A IA teve desempenho semelhante, com melhor avaliação da superfície corporal, atingindo precisão de 79,4%. Entretanto, a comparação do PASI total não foi avaliada, e comparações de escores mais graves foram excluídas por falta de imagens suficientes para o treinamento.11

Por fim, Fink et al. obtiveram concordância de 0,86 na avaliação de 120 pacientes, comparando a avaliação por IA e por médicos experientes. A concordância permaneceu alta quando a avaliação foi repetida, o que não ocorreu com os médicos. Um estudo anterior na instituição mostrou diferença de 27% no cálculo do PASI. Ao repetir o mesmo paciente após quatro semanas, houve variação de até 33%. As fotos foram capturadas usando o FotoFinder com quatro poses predefinidas, padronizando o método.12

Como mencionado, uma limitação importante do aprendizado profundo é a necessidade de grande número de imagens para o treinamento e a validação confiável do método. Além disso, a maioria dos estudos publicados foi realizada com o mesmo grupo étnico, o que os torna pouco aplicáveis em todo o mundo até o momento. Há também limitação na avaliação de áreas curvas, como cotovelos e joelhos, tipicamente afetadas pela psoríase.

A dermatite atópica (DA) é a doença inflamatória crônica da pele mais comum no mundo, com impacto significante na qualidade de vida dos pacientes, na produtividade no trabalho e nos sistemas de saúde, com prevalência mundial aproximada de 15% a 28%; a DA tem origem multifatorial e fisiopatologia complexa. A Dermatologia já se beneficia da IA em diversas áreas, que se mostrou fundamental como método adjuvante para diagnóstico, classificação da gravidade e personalização do cuidado, bem como adjuvante na definição da terapêutica em dermatoses, incluindo, ainda que de modo incipiente, a DA. Entretanto, poucas publicações na área demonstram potencial para desenvolvimento e pesquisa atualmente.6

Estudo realizado por Guimarães et al. em 2021 propôs um algoritmo de IA para análise com base em CNN de imagens tomográficas de pacientes com DA. Na DA, é possível identificar alterações como irregularidade celular, alterações intracelulares, acúmulo perinuclear de mitocôndrias e diversas alterações metabólicas. Apesar do pequeno tamanho amostral, este estudo demonstrou alta sensibilidade e especificidade para o diagnóstico de DA de acordo com as características de imagem, proporcionando assim um novo método com maior precisão diagnóstica.13,14

Em virtude da origem multifatorial da doença e da correlação de mutações genéticas e alterações no microbioma intestinal como fatores predisponentes para o desenvolvimento de DA, Jiang et al. publicaram um estudo em 2022 no qual descreveram o aprendizado de máquina para prever o risco de desenvolver DA e o perfil fenotípico de acordo com esses fatores. Esse estudo controlado incluiu 161 pacientes e avaliou 35 genes e 50 características microbianas e, com as limitações do estudo, publicou um algoritmo capaz de diferenciar com precisão, com base apenas em dados do transcriptoma e do microbioma, indivíduos saudáveis daqueles afetados pela DA.15

A DA conta atualmente com escores consolidados na literatura, como o SCORAD (SCORing Atopic Dermatitis) e o EASI (Eczema Area and Severity Index). Entretanto, diversas variáveis dependem dos examinadores no SCORAD, apresentando classificações diferentes nos mesmos pacientes quando aplicados por diferentes dermatologistas experientes. Um estudo realizado por Medela et al. criou um algoritmo de IA capaz de classificar e calcular o SCORAD por meio da interpretação de imagens de pacientes de maneira rápida, objetiva e totalmente automatizada. Esse novo modelo teria impacto tanto na prática clínica, otimizando o tempo de cálculo do SCORAD, a subjetividade nos escores e permitindo a classificação em consultas virtuais, quanto em ensaios clínicos, a ponto de reduzir os vieses de classificação do SCORAD pelos examinadores.16

Alguns estudos buscaram desenvolver a CNN para automatizar a classificação EASI, desenvolvendo uma IA capaz de mensurar o grau de eritema, pápulas, escoriações e liquenificação por meio da captura de imagens de pacientes. Um estudo realizado em 2021 por Bang et al. capturou 8.000 imagens clínicas de DA sem critérios de qualidade fotográfica, inseriram‐nas em quatro plataformas CNN diferentes para o cálculo automatizado do EASI e demonstraram taxas de classificação muito semelhantes às atribuídas pelo dermatologista profissional, demonstrando a eficácia da IA e a possibilidade de sua aplicabilidade clínica.17

Por fim, destaca‐se que o papel da IA ainda é incipiente na DA; no entanto, algoritmos e protótipos publicados, abrangendo métodos para diagnóstico, classificação e, consequentemente, influência na definição terapêutica, têm se mostrado promissores tanto na prática clínica diária quanto em ensaios clínicos e outros estudos científicos.15,16

A hidradenite supurativa (HS) é doença inflamatória crônica da pele que causa nódulos, abscessos e fístulas nas axilas, virilha e outras áreas de dobras cutâneas. A HS é doença debilitante que pode afetar significantemente a qualidade de vida dos pacientes, com impactos cumulativos ao longo da vida do indivíduo.18

A IA é uma tecnologia que pode ser utilizada para aprimorar o diagnóstico, o tratamento e o prognóstico da HS, bem como novos métodos diagnósticos (uso de imagens médicas para identificar lesões de HS), desenvolver novos tratamentos (imunoterapia e terapia gênica) ou mesmo na triagem adequada de pacientes, como em um trabalho que utilizou um chatbot e os pacientes incluíram seus sintomas; posteriormente, eles foram avaliados para um diagnóstico mais preciso.18,19

A IA também pode ser utilizada para aprimorar o prognóstico da HS, prever o risco de complicações e desenvolver programas de reabilitação para pacientes com a doença. Para padronizar a classificação dessa doença, um grupo espanhol testou a IA na avaliação e aplicação do International Hidradenitis Suppurativa Severity Score System (IHS4), um escore de gravidade da doença utilizado tanto na prática quanto em estudos clínicos, o que pode significar, além de melhor classificação da doença, poder melhor predizer o prognóstico e o melhor tratamento a ser instituído no melhor estágio da doença. O trabalho ainda demonstra que o modelo de IA utilizado apresentou resultados comparáveis à avaliação clínica de especialistas, de acordo com os consensos e padrões já estudados na literatura, exemplificando um modelo de desempenho de IA aplicável à rotina do dermatologista que trata de HS.20

Os primeiros estudos sobre IA na Dermatologia concentraram‐se no diagnóstico de neoplasias, especialmente melanoma, em virtude da facilidade de padronização das imagens, obtendo precisão equivalente à do dermatologista. Como justificativa, pode ser utilizada em teleconsultas para melhorar o acesso do paciente a cuidados especializados.

Cerca de metade das consultas relacionadas à pele ocorre com não dermatologistas, que carecem de treinamento especializado. Ao comparar o diagnóstico de IA com o do médico da atenção primária, a IA apresentou melhor desempenho. Em 2016, o primeiro programa diagnosticou melanoma utilizando 170 imagens de melanoma e 170 de nevos com sensibilidade e especificidade de aproximadamente 0,8. Somente em 2017, com o uso da CNN, foi possível realizar o diagnóstico diferencial entre melanoma e nevo benigno e tumores epiteliais e ceratose seborreica. Em estudos, o desempenho da CNN é comparável ao de um dermatologista experiente, ou até melhor.3,4 Com o uso da IA, é possível acelerar o diagnóstico de câncer de pele por clínicos gerais, após o treinamento no uso da dermatoscopia, para que o encaminhamento seja tão rápido quanto a gravidade exigir (fig. 2).

Figura 2.

Como a IA pode melhorar o diagnóstico do câncer de pele? – Nevo na perna esquerda de paciente de 50 anos (arquivo UNICAMP).

O uso da IA em histopatologia também é possível; há bom desempenho relatado nos diagnósticos de carcinoma basocelular, próstata e neoplasias de mama. É possível aumentar a precisão em até 78%, principalmente se a análise molecular for utilizada para o treinamento. O método analisa cada pixel da imagem como maligno ou não de maneira binária. Uma vantagem significante seria o acesso ao diagnóstico em locais sem dermatopatologista.1,2

É essencial destacar que a maioria dos modelos foi criada na Europa e no Leste Asiático, com limitações importantes para uso também em outras populações. Outro fator crítico é que o dermatologista analisa outros fatores para considerar a malignidade no diagnóstico de melanoma, enquanto a IA não consegue, levando a mais resultados falso‐positivos. O uso da IA também requer a padronização de fotos com qualidade e boa iluminação, algo difícil de obter em larga escala. Além disso, não há estudos com experiência na prática clínica ou com lesões mais raras, como o melanoma amelanótico. O dermatologista diagnostica mais de 2.000 doenças de pele, enquanto o algoritmo foi treinado para até 757 doenças, com classificação binária como maligna vs. benigna. Ele não apresenta bom desempenho quando usado para diferenciar diagnósticos.1–3