Melanoma Prediction Using a Deep Convolutional Neural Network (CNN) Model

Resumo Técnico: Predição de Melanoma Usando um Modelo de Rede Neural Convolucional Profunda (CNN)

Definição do Problema
O melanoma é a forma mais agressiva de câncer de pele, com taxas de mortalidade que aumentam significativamente quando o diagnóstico é retardado até estágios avançados. Embora a detecção precoce proporcione uma taxa de sobrevivência de cinco anos superior a 95%, o diagnóstico tradicional baseia-se no exame dermoscópico e na histopatologia, que estão sujeitos à variabilidade interobservador e exigem altos níveis de especialização. Embora a Inteligência Artificial (IA), especificamente o Aprendizado Profundo (Deep Learning - DL) e as Redes Neurais Convolucionais (CNNs), tenha mostrado promessa na automação da extração de características de imagens dermoscópicas, diversas barreções impedem a implementação clínica. Estas incluem o desequilíbrio de conjuntos de dados (favorecendo lesões benignas), a natureza de "caixa-preta" dos modelos de aprendizado profundo que dificulta a confiança do clínico, a falta de protocolos de avaliação padronizados e a baixa generalização entre diferentes dispositivos de imagem e demografias de pacientes. Além disso, embora existam inúmeros estudos experimentais, há uma necessidade de uma síntese abrangente das tendências globais de publicação, contribuições influentes e tecnologias emergentes de 2015 a 2026 para orientar pesquisas futuras.

Metodologia
Este estudo emprega uma revisão sistemática qualitativa da literatura e análise bibliométrica baseada inteiramente em dados secundários. O framework de pesquisa segue as diretrizes PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses).

• Fontes de Dados: As publicações foram recuperadas do IEEE Xplore, Scopus, PubMed, ScienceDirect, SpringerLink e Google Scholar.
• Escopo: A revisão abrange artigos revisados por pares publicados entre janeiro de 2015 e março de 2026.
• Critérios de Seleção: A inclusão exigiu foco na detecção de melanoma usando aprendizado profundo ou CNNs, relato de métricas de avaliação e disponibilidade de texto completo. Os critérios de exclusão removeram publicações não em inglês, resumos de conferências sem dados completos, estudos de aprendizado de máquina tradicional sem aprendizado profundo e trabalhos não revisados por pares.
• Análise: A extração de dados focou em tendências de publicação, distribuição geográfica, conjuntos de dados, arquiteturas de CNN, técnicas de pré-processamento, estratégias de transferência de aprendizado (transfer learning), métricas de avaliação e direções de pesquisa emergentes. A análise bibliométrica foi conduzida utilizando VOSviewer e Bibliometrix para mapear redes de colaboração e autores influentes.
• Estrutura Teórica: O estudo fundamenta-se na teoria de Aprendizado Profundo, Transfer Learning (utilizando pesos pré-treinados do ImageNet), princípios de IA Explicável (XAI) (Grad-CAM, LIME, SHAP) e Pesquisa Baseada em Evidências.

Principais Contribuições

1. Síntese Abrangente: Diferente de estudos experimentais individuais, esta revisão sintetiza os achados de inúmeras publicações revisadas por pares para fornecer uma visão holística do progresso tecnológico na detecção de melanoma ao longo de uma década.
2. Mapeamento Bibliométrico: O estudo identifica autores, instituições e países influentes (notadamente EUA, China, Reino Unido e Austrália) e mapeia redes de colaboração global, destacando o papel do Desafio ISIC e do conjunto de dados HAM10000 no impulsionamento da pesquisa.
3. Análise do Cenário Tecnológico: O artigo categoriza e compara o desempenho de arquiteturas dominantes de CNN (ResNet50, DenseNet169, EfficientNet, VGG16, InceptionV3) e paradigmas emergentes, como Vision Transformers (ViT), modelos híbridos CNN-Transformer e aprendizado de conjunto (ensemble learning).
4. Identificação de Lacunas: A revisão identifica explicitamente lacunas críticas de pesquisa, incluindo desequilíbrio de dados, falta de representação de diversos tons de pele, validação externa insuficiente e a necessidade de protocolos de avaliação padronizados para garantir a aplicabilidade clínica.
5. Direções Futuras: Propõe avenidas específicas de pesquisa futura, incluindo o desenvolvimento de modelos leves para saúde móvel, a integração de aprendizado federado para treinamento preservador de privacidade e a priorização de IA Explicável para facilitar a aprovação regulatória e a confiança do clínico.

Resultos

• Tendências de Publicação: A atividade de pesquisa em detecção de melanoma baseada em aprendizado profundo cresceu exponencialmente, particularmente após 2017, seguindo o estudo marcante de Esteva et al. A tendência mostra uma mudança da classificação básica de CNN para técnicas avançadas envolvendo mecanismos de atenção, XAI e arquiteturas híbridas.
• Conjuntos de Dados: O conjunto de dados HAM10000 é o benchmark mais amplamente utilizado, seguido pelos arquivos ISIC. No entanto, a revisão observa que esses conjuntos de dados frequentemente sofrem com desequilíbrio de classes e diversidade limitada em tons de pele e origens geográficas.
• Arquiteturas: O aprendizado por transferência (transfer learning) é a abordagem padrão, utilizada em 80–90% dos estudos. DenseNet169 e EfficientNet demonstram consistentemente desempenho superior, oferecendo alta precisão com menos parâmetros em comparação com modelos anteriores como VGG16.
• Desempenho: A precisão relatada varia de 85% a 98%, com valores de ROC-AUC frequentemente excedendo 0,95. Contudo, a revisão enfatiza que a alta precisão isoladamente é insuficiente; métricas como Recall (Sensibilidade) são críticas para o diagnóstico médico.
• Explicabilidade: O Grad-CAM é a técnica de XAI dominante utilizada para gerar mapas de calor, ajudando clínicos a verificar se os modelos focam em características clinicamente relevantes da lesão.
• Tendências Emergentes: A literatura recente explora cada vez mais Vision Transformers, aprendizado autossupervisionado e aprendizado federado para abordar questões de privacidade de dados e robustez do modelo.

Significância e Alegações
O artigo afirma que o aprendizado profundo transformou fundamentalmente a detecção automatizada de melanoma, superando consistentemente os métodos tradicionais de aprendizado de máquina. Sua significância reside em fornecer uma base atualizada e baseada em evidências para pesquisadores e clínicos compreenderem o estado atual do campo.

• Para Pesquisadores: O estudo oferece um roteiro para investigações futuras ao destacar forças e fraquezas metodológicas, instando especificamente a transição para validação multicêntrica, criação de conjuntos de dados diversos e a integração de XAI.
• Para Clínicos e Formuladores de Políticas: A revisão esclarece que a IA deve ser vista como uma ferramenta de suporte à decisão, e não como um substituto para dermatologistas. Ela ressalta a necessidade de benchmarking padronizado, diretrizes regulatórias para validação de IA e investimentos em tecnologias explicáveis para garantir a adoção clínica segura e eficaz.
• Escopo Modesto: Os autores declaram explicitamente que esta é uma revisão de dados secundários; não propõem um novo modelo de CNN nem realizam novos experimentos clínicos. Os achados são limitados pela qualidade das publicações originais e pela exclusão de literatura não em inglês. O artigo conclui que, embora o aprendizado profundo possua um enorme potencial, desafios significativos relativos à generalização, equidade e integração clínica devem ser abordados antes que a implementação rotineira generalizada possa ocorrer.