SKINOPATHY AI: Smartphone-Based Ophthalmic Screening and Longitudinal Tracking Using Lightweight Computer Vision

O artigo apresenta o SKINOPATHY AI, uma aplicação web baseada em smartphones que utiliza visão computacional leve para realizar cinco módulos de rastreio oftalmológico explicáveis e privativos em ambientes com recursos limitados, demonstrando a viabilidade de triagem multi-sinal sem necessidade de inferência em nuvem ou hardware especializado.

O essencial

Imagine que você tem um médico de bolso que cabe no seu smartphone, mas que não precisa de internet pesada, não envia suas fotos para a nuvem e não usa "caixas pretas" de inteligência artificial que ninguém entende. Esse é o SKINOPATHY AI.

Este papel descreve um novo aplicativo que transforma a câmera do seu celular em uma ferramenta de triagem para a saúde dos olhos. Em vez de depender de equipamentos caros de hospital, ele usa a câmera comum do seu telefone e um conjunto de "regras matemáticas" claras para verificar cinco coisas diferentes sobre a saúde dos seus olhos.

Aqui está uma explicação simples, usando analogias do dia a dia, de como cada parte funciona:

1. O Conceito Geral: O "Detetive de Bolso"

Pense no aplicativo como um detetive particular que trabalha apenas com o que vê. Ele não faz diagnósticos definitivos (não diz "você tem uma doença X"), mas age como um porteiro inteligente. Ele diz: "Tudo parece normal, pode ficar tranquilo" ou "Ei, algo parece estranho, você deveria ir ao médico".

O grande diferencial é que ele é transparente. Diferente de muitos apps que usam inteligência artificial misteriosa onde você não sabe como a resposta foi gerada, o SKINOPATHY AI usa fórmulas matemáticas que qualquer cientista pode ler e entender. É como uma receita de bolo: você sabe exatamente quais ingredientes (cálculos) foram usados para fazer o bolo (o resultado).

2. Os 5 "Superpoderes" do App

O aplicativo tem cinco módulos, cada um focado em uma tarefa específica:

🩸 Módulo 1: O "Medidor de Vermelhidão" (Conjuntivite e Alergias)

• O Problema: Seus olhos estão vermelhos? É cansaço, alergia ou infecção?
• A Analogia: Imagine que o aplicativo é um filtro de cor superpreciso. Ele olha para a parte branca do seu olho (esclera) e ignora as pálpebras e a íris. Ele converte a cor da sua foto em uma linguagem matemática onde o "vermelho" é separado da "luz".
• O Resultado: Ele dá uma nota de 0 a 10. Se a nota for alta, ele diz: "Seus olhos estão muito vermelhos, vá ao médico". Se for baixa, é só um cansaço.

👁️ Módulo 2: O "Contador de Piscadas" (Olho Seco)

• O Problema: Pessoas que ficam muito tempo na tela piscam menos, o que causa olho seco.
• A Analogia: O app é como um cronômetro de um atleta. Ele usa uma tecnologia chamada MediaPipe (que mapeia seu rosto como se fosse um modelo 3D) para ver exatamente quando seus olhos abrem e fecham.
• O Resultado: Ele conta quantas vezes você pisca por minuto. Se você piscar muito pouco, ele avisa: "Atenção! Seus olhos estão secos demais, tente piscar mais".

⚡ Módulo 3: O "Teste de Reflexo" (Saúde Neurológica)

• O Problema: Como os olhos reagem à luz? Isso pode indicar problemas no cérebro ou nervos.
• A Analogia: Imagine que você está testando a sensibilidade de um alarme. O app pede para você olhar para uma luz forte por um segundo. Ele mede o quanto a sua pupila (o centro preto do olho) encolhe e quão rápido isso acontece.
• O Resultado: Ele calcula a velocidade e o tamanho do encolhimento. Se a reação for lenta ou fraca, ele sugere uma consulta com um neurologista.

🟡 Módulo 4: O "Detector de Cor" (Icterícia e Anemia)

• O Problema: O branco dos olhos pode ficar amarelado (fígado) ou muito pálido (anemia).
• A Analogia: Pense nisso como um detector de metais, mas para cores. O app analisa o branco do olho procurando por tons de amarelo (que indicam icterícia) ou falta de cor (que indica anemia). Ele faz uma "correção de cor" automática, como se ajustasse o brilho da sua TV, para garantir que a luz do quarto não engane o teste.
• O Resultado: Ele dá um índice de alerta. "Seus olhos estão um pouco amarelados, verifique seu fígado".

📏 Módulo 5: O "Medidor de Crescimento" (Pterígio)

• O Problema: O pterígio é um crescimento de carne sobre a córnea (comum em quem pega muito sol).
• A Analogia: Este é o módulo mais impressionante. Imagine que a sua íris (a parte colorida) é uma régua padrão. O app sabe o tamanho médio de uma íris humana. Ele usa isso para calcular, em milímetros, o quanto uma lesão no olho cresceu, mesmo sem uma régua física.
• O Resultado: Ele mede o crescimento ao longo do tempo. Se você tirar uma foto hoje e outra daqui a um mês, ele diz: "Sua lesão cresceu 0,5mm". Isso ajuda a saber se precisa de cirurgia ou não.

3. Por que isso é revolucionário?

• Privacidade Total: Imagine que você faz o teste em um quarto fechado. O app processa tudo no seu computador ou em um servidor local. Nenhuma foto do seu olho sai do seu controle. Ele não envia suas imagens para a nuvem da Google ou Apple.
• Funciona em qualquer lugar: Não precisa de internet rápida nem de equipamentos caros. Basta um celular comum.
• Sem "Caixa Preta": Se um médico quiser saber por que o app disse que seu olho está vermelho, ele pode ver a fórmula matemática exata. Nada é secreto.

4. Limitações e Futuro (O "Mas...")

O papel admite que o app ainda é um "protótipo inteligente".

• Não é um médico: Ele não substitui um exame real. É apenas um primeiro passo.
• Depende da luz: Se você tirar a foto no escuro ou com muita luz refletida, o app pode errar (assim como uma câmera comum).
• O futuro: Os criadores querem melhorar o app para que ele funcione totalmente sem internet (no próprio celular) e para que ele aprenda a identificar lesões ainda melhor, como um estudante de medicina que está praticando.

Resumo Final

O SKINOPATHY AI é como um check-up de saúde ocular que você pode fazer no sofá da sua casa. Ele usa a câmera do seu celular como um microscópio inteligente para medir cores, movimentos e tamanhos, tudo de forma privada e transparente. O objetivo é pegar problemas sérios cedo, antes que eles se tornem graves, especialmente em lugares onde não há muitos oftalmologistas.

Resumo técnico

Título: SKINOPATHY AI: Rastreio Oftalmológico Baseado em Smartphone e Monitoramento Longitudinal usando Visão Computacional Leve

1. Problema e Motivação

O artigo aborda a lacuna crítica no acesso ao rastreio oftalmológico em regiões de baixos recursos e áreas remotas. Estima-se que 2,2 bilhões de pessoas vivam com deficiência visual ou cegueira, muitas das quais em países de baixa e média renda com acesso limitado a oftalmologistas.

• Barreiras Atuais: As ferramentas existentes dependem de acessórios de hardware caros (que convertem smartphones em câmeras de fenda ou fundoscópios) ou de serviços de IA baseados em nuvem (que introduzem latência, riscos de privacidade e dependência de conectividade).
• Necessidade: Há uma demanda urgente por uma aplicação de rastreio leve, que preserve a privacidade, seja explicável e opere inteiramente no navegador ou em um backend mínimo, sem necessidade de hardware especializado ou inferência em nuvem.

2. Metodologia e Arquitetura do Sistema

O SKINOPATHY AI é uma aplicação web "mobile-first" que utiliza cinco módulos de rastreio complementares, executados inteiramente em hardware de consumo padrão (smartphones) usando bibliotecas de visão computacional de código aberto (OpenCV e MediaPipe).

Arquitetura Técnica

• Frontend: React com MediaRecorder API para captura de vídeo/foto e Chart.js para visualização.
• Backend: FastAPI (Python) processando imagens e vídeos.
• Banco de Dados: MongoDB para persistência de sessões e resultados (sem retenção de mídia bruta por padrão).
• Privacidade: Todo o processamento ocorre localmente no dispositivo ou em um backend auto-hospedado. Não há envio de imagens brutas para terceiros. O sistema é projetado para ser "privacy-first" e não-diagnóstico.

Os Cinco Módulos de Rastreio

O sistema implementa algoritmos determinísticos e explicáveis para os seguintes sinais:

1. Quantificação de Vermelhidão (Hiperemia):

   • Método: Conversão da imagem para o espaço de cor CIE LAB. O eixo a* (vermelho-verde) é isolado.
   • Processo: Cria-se uma máscara do esclera (parte branca do olho) baseada em luminância e saturação. Calcula-se a média ponderada do canal a* sobre essa máscara.
   • Saída: Pontuação de 0 a 10 para triagem de conjuntivite, alergia ou olho seco.

2. Estimativa de Frequência de Piscar (Olho Seco):

   • Método: Uso do MediaPipe FaceMesh para rastrear 468 pontos de referência faciais.
   • Algoritmo: Cálculo da Eye Aspect Ratio (EAR) usando landmarks ao redor dos olhos. Um filtro de média móvel e um limiar adaptativo (baseado na mediana dos primeiros segundos) detectam piscadas.
   • Saída: Taxa de piscar (piscadas/minuto) com intervalos de confiança, útil para triagem de olho seco associado ao uso de telas.

3. Reflexo Pupilar à Luz (Sinal Neurológico):

   • Método: Análise de séries temporais do Razão Pupila-Iris (PIR).
   • Processo: O usuário expõe o olho a uma luz brilhante por ~3 segundos. O sistema mede a contração da pupila.
   • Métricas: Latência, amplitude de contração e velocidade. Inclui um modelo exponencial para estimativa de constantes de tempo em gravações de alta qualidade.

4. Índices de Cor Escleral (Icterícia e Anemia):

   • Método: Análise estatística dos canais b* (amarelo-azul) e L*/a* no espaço LAB.
   • Processo:
     • Índice de Icterícia: Mede o acúmulo de bilirrubina (deslocamento para amarelo).
     • Índice de Palidez: Combina luminância alta e baixa saturação de vermelho para detectar anemia.
   • Correção: Aplica correção de balanço de branco "gray-world" para mitigar viés entre dispositivos.

5. Medição de Lesões e Rastreamento Longitudinal (Pterígio):

   • Método: Calibração pixel-milímetro baseada no diâmetro da íris (HVID - Horizontal Visible Iris Diameter médio populacional de 11,8 mm).
   • Processo: Segmentação de lesões (pterígio) usando máscaras de cor (LAB e HSV) em uma banda anular próxima ao limbo.
   • Rastreamento: Usa regressão linear (OLS) para calcular a taxa de crescimento da lesão entre sessões, permitindo monitorar a progressão ao longo do tempo.

3. Contribuições Principais

• Pipeline Explicável: Diferente de modelos de "caixa preta" (Deep Learning), todos os algoritmos são baseados em regras físicas e matemáticas documentadas, permitindo auditoria clínica e validação.
• Independência de Hardware: Funciona em smartphones comuns sem acessórios ópticos.
• Calibração por Landmarks: Introduz um algoritmo de estimativa de invasão de lesão em escala milimétrica usando apenas landmarks da íris, sem necessidade de objetos de referência físicos.
• Arquitetura de Sessão Longitudinal: Permite o acompanhamento de tendências de lesões entre consultas clínicas.
• Privacidade e Consentimento: Design focado na minimização de dados, com armazenamento de apenas métricas calculadas e não de imagens brutas.

4. Resultados Preliminares

O estudo apresenta resultados de uma fase piloto com conjuntos de dados limitados, mas promissores:

• Vermelhidão: Correlação de Spearman de 0,86 com a escala clínica de Efron.
• Piscar: Erro Absoluto Médio (MAE) de 2,1 piscadas/min comparado a anotações manuais. O limiar adaptativo superou o limiar fixo em condições de baixa luz.
• Reflexo Pupilar: Erro de latência médio de 42 ms comparado a um pupillômetro clínico (NeurOptics NPi-300).
• Índices de Cor: AUC de 0,79 para detecção de icterícia.
• Rastreamento de Lesões: Erro absoluto médio de 0,31 mm comparado à medição em lâmpada de fenda. O método baseado em landmarks do MediaPipe foi superior à calibração por Hough Circle.

5. Significado e Conclusão

O SKINOPATHY AI demonstra que o rastreio oftalmológico multi-sinal é viável em smartphones não modificados, sem depender de IA em nuvem ou hardware especializado.

• Impacto Clínico: Oferece uma camada de triagem eficiente para condições comuns (olho seco, conjuntivite, icterícia, pterígio) e sinais neurológicos, direcionando pacientes para cuidados apropriados e apoiando a telemedicina.
• Viabilidade Regulatória: A natureza explicável e determinística do sistema facilita a auditoria e o potencial registro como Software como Dispositivo Médico (SaMD).
• Futuro: Os autores planejam substituir os heurísticos de segmentação por modelos leves treinados (U-Net), implementar inferência totalmente no dispositivo (TensorFlow Lite/CoreML) e conduzir estudos de validação clínica formal para aprovação regulatória.

Em resumo, o trabalho estabelece uma fundação robusta para ferramentas de oftalmoscopia móvel validadas clinicamente, priorizando acessibilidade, privacidade e transparência algorítmica.