SCD-E2S: Deep Learning Based Skin Cancer Detection Using EfficientNetV2-S with Attention Mechanisms

O câncer de pele é um desafio de saúde global crescente, com as formas mais comuns aparecendo como manchas escuras, protuberâncias elevadas ou áreas irregulares na pele. Detectar essas condições precocemente é vital, pois melhora drasticamente as chances de um paciente ter uma recuperação completa. Por décadas, os médicos confiaram em seus olhos e experiência para identificar esses sinais de alerta, mas o julgamento humano pode variar de um médico para outro, e as diferenças visuais entre uma pinta inofensiva e um tumor perigoso podem ser sutis. Nos últimos anos, um ramo da inteligência artificial conhecido como aprendizado profundo (deep learning) surgiu como uma ferramenta poderosa para auxiliar nesta tarefa. Esses sistemas de computador aprendem estudando milhares de imagens médicas, reconhecendo gradualmente os padrões complexos que distinguem a pele saudável da doença. O objetivo não é substituir o médico, mas fornecer uma segunda opinião confiável que possa captar o que poderia passar despercebido, especialmente em áreas onde o atendimento especializado é difícil de alcançar.

Uma equipe de pesquisadores desenvolveu agora um novo sistema projetado para tornar essa tecnologia mais rápida, mais precisa e pronta para o uso no mundo real. O trabalho deles foca em um tipo específico de arquitetura de inteligência artificial chamado EfficientNetV2-S, que atua como o cérebro do sistema. Para tornar esse cérebro ainda mais aguçado, os pesquisadores adicionaram mecanismos de atenção especiais, que funcionam como um holofote que ajuda o computador a focar nos detalhes mais importantes de uma lesão cutânea enquanto ignora o ruído irrelevante do fundo. Eles treinaram este sistema usando uma coleção massiva de mais de 14.000 imagens dermoscópicas — fotos altamente magnificadas da pele tiradas com uma câmera especial. Antes de alimentar o computador com essas imagens, a equipe as limpou, removendo elementos de distração como pelos ou marcas de régua e aumentando o contraste para que as bordas das manchas ficassem mais claras. Eles também cuidaram para equilibrar os dados, garantindo que o computador visse exemplos suficientes de cânceres raros e perigosos para aprender a identificá-los, em vez de apenas os comuns e inofensivos.

O processo de treinamento foi um esforço cuidadosamente dividido em etapas. Primeiro, o computador aprendeu o básico usando as novas imagens e, depois, foi permitido que refinasse sua compreensão ao observar as camadas mais profundas de seu próprio conhecimento. Para evitar que o sistema memorizasse as imagens de treinamento de forma perfeita demais — um erro que o faria falhar em novas fotos — os pesquisadores usaram uma técnica que misturava diferentes imagens durante o aprendizado, forçando o sistema a entender os conceitos subjacentes em vez de apenas os pixels específicos. Eles também ajustaram as regras internas do sistema para dar atenção extra aos casos mais difíceis, particularmente ao melanoma perigoso, garantindo que ele não os negligenciasse. Ao ser testado em imagens que nunca havia visto antes, incluindo dados de outros dois grandes bancos de dados médicos, o sistema alcançou uma taxa de precisão superior a 97 por cento. Ele identificou corretamente os três principais tipos de lesões cutâneas para os quais foi projetado: melanoma, carcinoma basocelular e nevo melanocítico.

O que diferencia este trabalho não é apenas a pontuação alta, mas como o sistema foi construído para ser útil fora de um laboratório. Os pesquisadores compactaram seu modelo treinado em um aplicativo móvel que roda em smartphones padrão. Nesta configuração, um usuário pode tirar uma foto de uma mancha suspeita, e a imagem é enviada com segurança para um servidor onde o computador a analisa em pouco mais de um segundo. O aplicativo então retorna um resultado com uma pontuação de confiança, atuando como uma ferramenta de suporte à decisão tanto para pacientes quanto para médicos. Os pesquisadores enfatizam que esta ferramenta foi projetada para auxiliar, não para substituir o diagnóstico médico profissional. Ao combinar um modelo de computador altamente eficiente com uma interface móvel prática, a equipe demonstrou que a inteligência artificial avançada pode ser tornada acessível para uso imediato em clínicas ou áreas remotas. O estudo sugere que, com testes adicionais em grupos diversificados de pacientes e integração em fluxos de trabalho médicos, tais sistemas poderiam se tornar uma parte padrão da detecção precoce do câncer de pele, ajudando a salvar vidas ao captar a doença mais cedo.