Inovação na dermatologia tropical : identificação automática de lesões de leishmaniose cutânea utilizando inteligência artificial

Abstract

A leishmaniose cutânea (LC) é uma doença parasitária que afeta cerca de um milhão de indivíduos em todo o mundo, especialmente em regiões tropicais e subtropicais. O polimorfismo da LC dificulta o diagnóstico nos serviços de saúde, pois as lesões podem ser confundidas com outras dermatoses, como esporotricose, paracocidiocomicose e insuficiência venosa. Além disso, o diagnóstico da LC depende de especialistas como dermatologistas e infectologistas experientes e de procedimentos laboratoriais, tornando o processo de diagnóstico lento e, muitas vezes, tardio. A identificação automatizada de doenças de pele baseada em aprendizagem profunda (DL) tem sido aplicada para auxiliar o diagnóstico. Neste estudo, avaliamos o desempenho do AlexNet, um algoritmo de DL, para identificar imagens de lesões de LC em pacientes atendidos no Distrito Federal, procedentes da região Centro-Oeste do Brasil. Utilizamos um conjunto de 2.458 imagens (até 10 de cada lesão) obtidas de pacientes atendidos entre 2015 e 2022 no Ambulatório de Dermatologia do Hospital Universitário de Brasília (HUB). Organizamos um banco de imagens de dermatoses, as quais foram diagnosticadas usando um padrão de referência composto seguindo a classificação operacional do HUB, baseado em sintomas clínicos compatíveis, testes não parasitológicos (imunofluorescência indireta, intradermorreação de Montenegro) ou teste parasitológico (qPCR, cultura, histopatologia ou esfregaço com amastigotas), permitindo uma classificação confiável de cada imagem. Do total de imagens, 80% foram utilizadas para treinamento, 10% para testagem e 10% para validação do AlexNet na tarefa de identificar imagens de lesões de LC. Realizamos três simulações e treinamos AlexNet para diferenciar a LC de outras 26 dermatoses (por exemplo, cromomicose, piodermite, insuficiência venosa). Obtivemos uma acurácia média de 95,04% (Intervalo de Confiança de 95%: 93,81–96,04), indicando um excelente desempenho do AlexNet na identificação de imagens de lesões de LC. Dentre as 60 imagens de lesões de outras dermatoses que foram confundidas com LC nas três simulações, as doenças de pele que apresentaram o maior percentual de erros foram: hanseníase, ectima, carcinoma basocelular, erisipela e líquen plano. Concluímos que a identificação automatizada de LC usando AlexNet tem o potencial de auxiliar os clínicos no diagnóstico de lesões cutâneas, podendo contribuir para o diagnóstico precoce, diminuindo os impactos negativos na qualidade de vida dos indivíduos afetados, e o tratamento oportuno da LC. Esses resultados contribuem para o desenvolvimento de um aplicativo móvel para auxiliar no diagnóstico da LC nos serviços de saúde. Além disso, essa dissertação representa um avanço na aplicação do DL na dermatologia tropical, como uma nova ferramenta diagnóstica na LC.