Investigação e aprimoramento de sistemas de diagnóstico auxiliado por computador na identificação de câncer de pele em tons de pele escura

• Eduarda P. Magesk UFES
• Pedro H. G. Bouzon UFES
• Luis A. de Souza Jr. UFES
• Andre G. C. Pacheco UFES

DOI: https://doi.org/10.5753/sbcas.2026.21522

Resumo

O desenvolvimento de sistemas de Diagnóstico Auxiliado por Computador (CAD) para o câncer de pele é uma área de pesquisa consolidada. Contudo, observa-se que muitos dos modelos propostos apresentam um viés racial significativo, com desempenho inferior na avaliação de lesões em peles com fototipos mais altos (escuras). Este artigo avalia a presença desse viés nos modelos de diagnóstico e propõe uma adaptação na função de perda Balanced Cross-Entropy para mitigar a disparidade de performance. Foram analisadas sete arquiteturas de Deep Learning, contemplando tanto Redes Neurais Convolucionais (CNN) quanto Vision Transformers (ViT). Os resultados confirmaram a existência de viés nos modelos convencionais; em contrapartida, a técnica proposta reduziu significativamente essa desigualdade. Em uma das arquiteturas, a acurácia balanceada para peles escuras saltou de 0, 58 ± 0, 04 para 0, 69 ± 0, 06, evidenciando a eficácia da abordagem na promoção de equidade de desempenho.

Referências

AIM (2024). Acral lentiginous melanoma. AIM at Melanoma Foundation. Disponível em: [link]. Último acesso em: 04 de Fevereiro 2025.

Alipour, N., Burke, T., and Courtney, J. (2024). Skin Type Diversity in Skin Lesion Datasets: A Review. Current Dermatology Reports, 13(3):198–210.

ARPANSA (2025). Fitzpatrick skin phototype. Australian Radiation Protection and Nuclear Safety AGENCY. Disponível em: [link]. Último acesso em: 10 de Setembro 2025.

Barros, L., Chaves, L., and Avila, S. (2023). Assessing the generalizability of deep neural networks-based models for black skin lesions. In Iberoamerican Congress on Pattern Recognition, pages 1–14. Springer.

Bouzon, P. H. G., Rocha, W. F. d., Souza, L. A., and Pacheco, A. G. C. (2025). Metablock-se: A method to deal with missing metadata in multimodal skin cancer classification. IEEE Journal of Biomedical and Health Informatics, 29(12):8855–8862.

Cui, Y., Jia, M., Lin, T.-Y., Song, Y., and Belongie, S. (2019). Class-balanced loss based on effective number of samples.

Daneshjou, R., Vodrahalli, K., Novoa, R. A., Jenkins, M., Liang, W., Rotemberg, V., Ko, J., Swetter, S. M., Bailey, E. E., Gevaert, O., Mukherjee, P., Phung, M., Yekrang, K., Fong, B., Sahasrabudhe, R., Allerup, J. A. C., Okata-Karigane, U., Zou, J., and Chiou, A. S. (2022). Disparities in dermatology ai performance on a diverse, curated clinical image set. Science Advances, 8(32):eabq6147.

Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., and Fei-Fei, L. (2009). Imagenet: A large-scale hierarchical image database. In 2009 IEEE Conference on Computer Vision and Pattern Recognition, pages 248–255.

Ding, M., Xiao, B., Codella, N., Luo, P., Wang, J., and Yuan, L. (2022). Davit: Dual attention vision transformers.

Groh, M., Badri, O., Daneshjou, R., Koochek, A., Harris, C., Soenksen, L. R., Doraiswamy, P. M., and Picard, R. (2024). Deep learning-aided decision support for diagnosis of skin disease across skin tones. Nature Medicine, 30(2):573–583.

Groh, M., Harris, C., Soenksen, L., Lau, F., Han, R., Kim, A., Koochek, A., and Badri, O. (2021). Evaluating Deep Neural Networks Trained on Clinical Images in Dermatology with the Fitzpatrick 17k Dataset. arXiv:2104.09957 [cs].

Harp, T., Militello, M., McCarver, V., Johnson, C., Gray, T., Harrison, T., Presley, C., and Dellavalle, R. P. (2022). Further analysis of skin of color representation in dermatology textbooks used by residents. Journal of the American Academy of Dermatology, 87(1):e39–e41.

He, K., Zhang, X., Ren, S., and Sun, J. (2015). Deep residual learning for image recognition.

Hosseini, S. M. and Baghshah, M. S. (2024). Dilated balanced cross entropy loss for medical image segmentation. arXiv preprint arXiv:2412.06045.

IBGE (2022). Censo demográfico 2022. Acessado em: 4 de Fevereiro 2026.

INCA (2026). Incidência do câncer no Brasil. Instituto Nacional do Câncer (INCA). Disponível em: [link]. Último acesso em: 06 de Março 2026.

Li, Y., Wu, C.-Y., Fan, H., Mangalam, K., Xiong, B., Malik, J., and Feichtenhofer, C. (2022). Mvitv2: Improved multiscale vision transformers for classification and detection.

Liu, Y., Primiero, C. A., Kulkarni, V., Soyer, H. P., and Betz-Stablein, B. (2023). Artificial intelligence for the classification of pigmented skin lesions in populations with skin of color: a systematic review. Dermatology, 239(4):499–513.

Lyakhov, P. A., Lyakhova, U. A., and Kalita, D. I. (2023). Multimodal analysis of unbalanced dermatological data for skin cancer recognition. IEEE Access, 11:131487–131507.

Lyakhova, U. A. (2022). Neural network skin cancer recognition with a modified cross-entropy loss function. In International Conference on Actual Problems of Applied Mathematics and Computer Science, pages 353–363. Springer.

MS (2025). Câncer de pele. Ministério da Saúde. Disponível em: [link]. Último acesso em: 19 de Julho 2025.

Pacheco, A. G. and Krohling, R. A. (2019). Recent advances in deep learning applied to skin cancer detection. In Neural Information Processing Systems at Retrospectives workshop, pages 1–8.

Pacheco, A. G. and Krohling, R. A. (2020). The impact of patient clinical information on automated skin cancer detection. Computers in biology and medicine, 116:103545.

Pacheco, A. G., Lima, G. R., Salomão, A. S., Krohling, B., Biral, I. P., de Angelo, G. G., Alves Jr, F. C., Esgario, J. G., Simora, A. C., Castro, P. B., et al. (2020). PAD-UFES-20: a skin lesion dataset composed of patient data and clinical images collected from smartphones. Data in Brief, 32:1–10.

Porras Fimbres, D. C., Jacobs, J., Diamond, C., Rundle, C. W., Rodriguez-Homs, L., Presley, C., and Stamey, C. (2023). Representation of fitzpatrick skin phototype in dermatology surgical textbooks. Archives of Dermatological Research, 315(8):2463–2465.

Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., and Chen, L.-C. (2018). Mobilenetv2: Inverted residuals and linear bottlenecks. In 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, pages 4510–4520.

SCF (2025a). Skin cancer facts & statistics. Skin Cancer Foundation (SCF). Disponível em: [link]. Último acesso em: 05 de Julho 2025.

SCF (2025b). Your skin type & skin cancer. Skin Cancer Foundation (SCF). Disponível em: [link]. Último acesso em: 04 de Fevereiro 2025.

Sheng, Y., Yang, J., Li, J., Alaina, J., Xu, X., Shi, Y., Hu, J., Jiang, W., and Yang, L. (2024). Data-algorithm-architecture co-optimization for fair neural networks on skin lesion dataset. In International Conference on Medical Image Computing and Computer-Assisted Intervention, pages 153–163. Springer.

Souza, L., Pacheco, A., Angelo, G., Oliveira-Santos, T., Palm, C., and Papa, J. (2024). Liwterm: A lightweight transformer-based model for dermatological multimodal lesion detection. In Anais da XXXVII Conference on Graphics, Patterns and Images, Porto Alegre, RS, Brasil. SBC.

Tan, M. and Le, Q. V. (2020). Efficientnet: Rethinking model scaling for convolutional neural networks.

Vidya, M. and Karki, M. V. (2020). Skin cancer detection using machine learning techniques. In 2020 IEEE International Conference on Electronics, Computing and Communication Technologies (CONECCT), pages 1–5.

Wolff, K., Johnson, R., and Saavedra, A. (2015). Dermatologia de Fitzpatrick - 7.ed.: Atlas e Texto. AMGH Editora.

Yu, W., Si, C., Zhou, P., Luo, M., Zhou, Y., Feng, J., Yan, S., and Wang, X. (2024). Metaformer baselines for vision. IEEE Transactions on Pattern Analysis and Machine Intelligence, 46(2):896–912.

Yurdakul, M., Uyar, K., and Tasdemir, S. (2025). Maxglavit: A novel lightweight vision transformer-based approach for early diagnosis of glaucoma stages from fundus images.