Facial Photograph–Based Detection of Dermatochalasis and Assessment of Blepharoplasty Necessity: A Deep Learning–Assisted Approach

Durante décadas, a decisão de realizar cirurgia na pálpebra superior dependeu fortemente do olhar de um médico e da descrição dos sintomas de um paciente. A condição em questão, conhecida como dermatochalasis, é o termo médico para o excesso de pele flácida na pálpebra superior. À medida que as pessoas envelhecem, a pele e os tecidos subjacentes ao redor dos olhos perdem sua elasticidade, de forma muito semelhante a um elástico que foi esticado vezes demais. Essa pele frouxa pode pendurar sobre os cílios, criando uma sensação de peso, causando fadiga visual e, em alguns casos, bloqueando fismente a parte superior da visão de uma pessoa. Embora a solução seja um procedimento cirúrgico comum chamado blefaroplastia, que remove a pele extra, determinar exatamente quem precisa dele tem sido tradicionalmente um processo subjetivo. Os médicos medem distâncias específicas no rosto e julgam a quantidade de queda, mas essas medições podem variar de um especialista para outro, e a linha entre "precisar de cirurgia" e "apenas parecer cansado" é frequentemente uma questão de julgamento pessoal, em vez de uma regra rígida.

Em um estudo recente, pesquisadores buscaram verificar se um computador poderia tornar essa decisão mais consistente. Eles treinaram um tipo de inteligência artificial, especificamente um sistema de aprendizado profundo (deep learning), para observar fotografias padrão de rostos de frente de pessoas. O objetivo era simples: conseguiria o computador olhar para uma foto e distinguir entre um adulto que possui a pele frouxa que requer cirurgia e um adulto com pálpebras normais e saudáveis? Os pesquisadores reuniram imagens de duas fontes. Um grupo consistiu em 190 pacientes que visitaram uma clínica oftalmológica na Turquia e já haviam sido julgados por um cirurgião como candidatos ao procedimento. O outro grupo consistiu em 190 adultos saudáveis cujas fotos foram tiradas de uma biblioteca de imagens de estoque pública, selecionados por não apresentarem sinais de queda nas pálpebras. Todas as fotos foram tiradas sob condições semelhantes, com os indivíduos olhando diretamente para frente com uma expressão neutra, imitando o tipo de foto que um médico tiraria durante uma visita de rotina ao consultório.

A equipe testou três modelos de computador diferentes, cada um projetado para reconhecer padrões em imagens. Esses modelos receberam as fotografias e foram solicitados a classificá-las em dois grupos: aqueles que precisam de cirurgia e aqueles que não precisam. Os resultados foram surpreendentemente consistentes. Em todos os diferentes modelos de computador testados, os sistemas identificaram corretamente os pacientes que precisavam de cirurgia quase todas as vezes. De fato, o computador não perdeu nenhum paciente que realmente necessitava do procedimento, sinalizando corretamente todos os 190 deles. Também identificou corretamente a grande maioria dos indivíduos saudáveis, reconhecendo corretamente que eles não precisavam de cirurgia em cerca de 98 de cada 100 casos. O computador não apenas adivinhou; ele aprendeu a detectar os sinais visuais específicos de pele frouxa que os médicos humanos procuram, fazendo isso com um nível de precisão que iguala o dos melhores especialistas humanos.

Uma das descobertas mais importantes do estudo não foi apenas que o computador funcionou, mas sim o quão eficientemente ele funcionou. Os pesquisadores compararam três tipos diferentes de arquiteturas de computador, que são essencialmente os projetos de como a máquina processa informações. Eles descobriram que todos os três projetos realizaram a tarefa com o mesmo alto nível de precisão. No entanto, nem todos levaram o mesmo tempo para fazê-lo. Um dos modelos, um design mais leve e simples, terminou a tarefa significativamente mais rápido que os outros. Este é um detalhe crucial, pois sugere que tal sistema poderia, futuramente, rodar em um smartphone ou em um dispositivo portátil no consultório de um médico, em vez de exigir um supercomputador massivo e caro. O estudo mostrou que você não precisa do computador mais complexo ou poderoso para obter a resposta correta; uma ferramenta mais simples e rápida pode alcançar o mesmo resultado.

Os pesquisadores foram cuidadosos ao notar que, embora o computador fosse excelente em detectar os sinais visuais de pele frouxa, ele não estava substituindo o médico. O sistema foi treinado para reconhecer a condição com base em como os cirurgiões humanos já haviam rotulado os pacientes. Ele aprendeu a ver o que os especialistas viam. O estudo também destacou que as fotos utilizadas foram tiradas em um ambiente controlado, e o computador pode se comportar de maneira diferente se as fotos forem tiradas com iluminação precária ou de um ângulo estranho. Os autores sugerem que esta tecnologia pode servir como uma segunda opinião útil ou uma ferramenta de triagem para ajudar os médicos a priorizar quais pacientes atender primeiro, mas ainda não é um decisor final. O trabalho prova que uma máquina pode aprender a ler os sinais sutis de envelhecimento da pele ao redor dos olhos a partir de uma fotografia simples, oferecendo uma nova maneira objetiva de apoiar o julgamento humano que tem guiado a cirurgia ocular por gerações.