IA na detecção precoce de ISTs

As infecções sexualmente transmissíveis (ISTs) representam uma preocupação substancial de saúde pública, com mais de 770 milhões de casos registrados em 2019. A detecção precoce — especialmente quando lesões cutâneas características aparecem antes do diagnóstico laboratorial — facilita o tratamento, reduz a sua disseminação e diminui tanto os riscos prolongados à saúde individual quanto a sobrecarga nos sistemas de saúde.

Embora muitas ISTs sejam assintomáticas, algumas como mpox, sífilis, escabiose e alguns subtipos do papilomavírus humano (HPV) apresentam manifestações cutâneas que podem servir como pistas diagnósticas importantes. No entanto, o acesso limitado a testes laboratoriais em países de baixa e média renda leva ao uso de abordagens de manejo sindrômico, dificultando o diagnóstico preciso.

Nesse contexto, tecnologias de aprendizado profundo têm demonstrado grande potencial na classificação de lesões de pele associadas a ISTs, oferecendo soluções promissoras tanto para profissionais de saúde quanto para o público geral, especialmente por meio de aplicativos móveis.

Diante disso, Liu e colaboradores (2025) buscaram avaliar o desempenho e a aplicabilidade de modelos de aprendizado profundo na detecção precoce de ISTs, com foco na identificação de lesões cutâneas. Os autores também realizaram uma meta-análise para investigar a acurácia diagnóstica desses algoritmos e discutiram a generalização dos modelos diante da diversidade e representatividade dos dados.

O estudo seguiu as diretrizes Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA) e incluiu uma revisão sistemática e meta-análise de pesquisas publicadas entre 2010 e 2023. Foram selecionados artigos primários que utilizaram algoritmos de deep learning para classificar lesões associadas a ISTs, excluindo revisões, estudos sem uso de IA ou que não focavam em detecção precoce.

Os dados extraídos incluíram tipo de tarefa (detecção, classificação ou segmentação), características dos conjuntos de dados (número de imagens, doenças, demografia), arquitetura dos modelos (Convolutional Neural Networks, Vision Transformers), uso de aprendizado por transferência e métricas de desempenho (acurácia, sensibilidade, especificidade, entre outras). Por fim, foi realizada uma meta-análise com os algoritmos de maior acurácia em cada estudo, construindo tabelas de contingência para cálculo de sensibilidade e especificidade.

A meta-análise mostrou alta acurácia dos modelos para diagnóstico de mpox e escabiose. No entanto, houve alta heterogeneidade entre os estudos, atribuída principalmente ao número de imagens e aos seus desenhos. A maioria apresentou alto risco de viés e preocupações quanto à aplicabilidade clínica. Apesar dos resultados promissores, as limitações metodológicas e a baixa representatividade dos dados indicaram a necessidade de estudos mais robustos e generalizáveis.

Além disso, os dados apresentaram baixa diversidade, com imagens de qualidade limitada e ausência de metadados clínicos relevantes como idade, sexo, tom de pele e localização anatômica das lesões. Isso comprometeu a capacidade dos modelos de generalizar para populações diversas e contextos clínicos reais. Fatores como iluminação, presença de pelos, tatuagens ou feridas também interferiram na acurácia dos algoritmos.

Em resumo, o estudo de Liu e colaboradores (2025) reforçou o potencial dos modelos de aprendizado profundo na detecção precoce de ISTs por meio da análise de lesões cutâneas, especialmente para mpox e escabiose. Os autores destacaram a importância de validar os modelos com dados reais e diversos, incorporar metadados clínicos e comportamentais, e adotar técnicas de IA mais confiáveis. Também sugeriram diretrizes médicas específicas para triagem com essa tecnologia visando segurança, privacidade e aplicabilidade prática, inclusive em aplicativos móveis. A diversidade dos dados e a integração de informações clínicas são essenciais para que essas ferramentas sejam efetivamente incorporadas à prática médica.