Hendrik Macedo
03/02/2017
O câncer de pele é um dos tipos mais frequentes de câncer em seres humanos, segundo estudo recente da American Cancer Society [2] e o primeiro diagnóstico, realizado por um dermatologista, é puramente visual. Isto transforma o cenário acima em algo relevante para a sociedade e coerente com a abordagem especialista. Naturalmente, após esta primeira avaliação clínica, outras análises costumam ser solicitadas para confirmar o diagnóstico: análise dermatoscópica, biópsia e exame histopatológico, para citar algumas.
Pesquisadores da Universidade de Stanford (EUA) utilizaram aproximadamente 130 mil fotografias de diferentes lesões de pele, cada uma devidamente rotulada com o diagnóstico correto pré-estabelecido para 2 mil diferentes doenças de pele [3]. Uma rede neural convolucional profunda (CNN) [4] foi utilizada para aprender estes padrões. A tarefa é particularmente difícil pois a variabilidade na aparência das diferentes lesões é, por vezes, bastante sutil. A performance do sistema de reconhecimento foi avaliada junto a 21 dermatologistas utilizando-se de um novo conjunto de fotografias. Dois diferentes casos de uso, em particular, foram considerados na avaliação: a diferenciação entre (1) o diagnóstico de carcinoma de queratinócitos versus queratose seborréica benigna e (2) o diagnóstico de melanoma versus nevo displásico benigno. A relevância destas duas avaliações se dá pelo fato do carcinoma ser o tipo mais comum de câncer de pele e o melanoma ser o tipo mais mortal. Em ambos os testes, a performance da máquina rivalizou ou superou a dos dermatologistas.
O uso de aplicativos de smartphones para ajudar no monitoramento de lesões de pele não é novo. A diferença deste novo sistema, com potencial para rapidamente também se transformar em um app, é mesmo a grande performance obtida. Um estudo de 2013 [5] mostrou que três dentre quatro aplicativos avaliados para detecção de melanomas os classificou incorretamente em ao menos 30% dos casos. Taxa significativamente alta de insucesso.
A forma de uso mais prudente de um app desse tipo por parte da população seria o de monitoramento constante de alguma lesão de pele persistente e caso em determinado momento o sistema inteligente suspeite de alguma gravidade, emita um alerta para que o usuário procure um especialista que possa então proceder com as análises típicas subsequentes para confirmar o diagnóstico. Se por um lado apps como esse podem fazer com que serviços de diagnóstico com alta acurácia possam chegar à grande fatia da população com dificuldades de acesso a serviços de saúde, por outro lado, os envolvidos na criação do app e os especialistas médicos precisarão lidar com um grande dilema: se o algoritmo for muito cauteloso, clínicas de dermatologia poderão sofrer com um aumento substancial de procura por pessoas que na verdade não precisariam de ajuda, mas se o algoritmo for muito conservador, ele pode perigosamente provocar comportamento oposto.
[1] Crédito da imagem: National Cancer Institute (AV Number: AV-8500-3850; Date Created: 1985; Date Entered: 1/1/2001) / Wikimedia Commons (Domínio público). URL: https://commons.wikimedia.org/wiki/File:Melanoma.jpg.
[2] American Cancer Society. Cancer facts & figures 2016. URL: http://www.cancer.org/acs/groups/content/@research/documents/document/acspc-047079.pdf. (2016).
[3] A Esteva et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature 542, 115 (2017).
[4] Y LeCun et al. Deep learning. Nature 521, 436 (2015).
[5] JA Wolf et al. Diagnostic inaccuracy of smartphone applications for melanoma detection. JAMA Dermatology 149, 422 (2013).
Como citar este artigo: Hendrik Macedo. Diagnóstico inicial do câncer de pele, em breve, no seu bolso. Saense. URL: http://www.saense.com.br/2017/02/diagnostico-inicial-do-cancer-de-pele-em-breve-no-seu-bolso/. Publicado em 03 de fevereiro (2017).
