UNIVERSIDADE COMUNITÁRIA DA REGIÃO DE CHAPECÓ

(UNOCHAPECÓ)
ÁREA DE CIÊNCIAS DA SAÚDE - CURSO DE MEDICINA

Eduarda Breancini
Lucas Augusto Souza

O USO DE INTELIGÊNCIA ARTIFICIAL NO DIAGNÓSTICO DE

MELANOMA
REVISÃO DE LITERATURA/ESCOPO

Chapecó-SC, 2023
 2

EDUARDA BREANCINI
LUCAS AUGUSTO SOUZA

O USO DE INTELIGÊNCIA ARTIFICIAL NO DIAGNÓSTICO DE MELANOMA

REVISÃO DE LITERATURA/ESCOPO

Trabalho de Conclusão de Curso apresentado à

Unochapecó como parte dos requisitos para
obtenção do grau de Médico.
Orientadora: Esp. Marina de Queiroz
Coorientador: Doutor Junir Antônio Lutinski

Chapecó, 2023
 3

SUMÁRIO

1 INTRODUÇÃO............................................................................................................................................
1.1 Tema...........................................................................................................................................................
1.2 Delimitação do tema................................................................................................................................
1.3 Problema...................................................................................................................................................
2 OBJETIVOS.................................................................................................................................................
2.1 Objetivo geral............................................................................................................................................
2.2 Objetivos específicos.................................................................................................................................
3 JUSTIFICATIVA........................................................................................................................................
4 FUNDAMENTAÇÃO TEÓRICA..............................................................................................................
4.1 Melanoma..................................................................................................................................................
4.2 Inteligência Artificial e Melanoma..........................................................................................................
4.3 Acurácia, sensibilidade e especificidade da Inteligência Artificial.......................................................
4.4 Limitações do uso da Inteligência Artificial...........................................................................................
5 METODOLOGIA........................................................................................................................................
5.1 Delineamento do estudo............................................................................................................................
5.2 Amostra......................................................................................................................................................
5.3 Critérios de elegibilidade..........................................................................................................................
5.4 Coleta de dados.........................................................................................................................................
5.5 Análise e interpretação dos resultados....................................................................................................
5.6 Aspectos éticos...........................................................................................................................................
6 CRONOGRAMA DE AÇÃO......................................................................................................................
7 ORÇAMENTO.............................................................................................................................................
REFERÊNCIAS..............................................................................................................................................
 4

1 INTRODUÇÃO

1.1 Tema
Melanoma

1.2 Delimitação do tema

O uso de inteligência artificial no diagnóstico de melanoma

1.3 Problema
Melanoma é um tumor maligno que surge de melanócitos, células produtoras de
melanina, que produz a pigmentação da pele. O melanoma é a forma mais mortal de câncer de
pele, responsável por 90% dos óbitos associados com tumores cutâneos (Garbe et al., 2022).
Nos estágios iniciais, o melanoma pode ser tratado com sucesso apenas com cirurgia e as
taxas de sobrevivência são altas, mas após as metástases as taxas de sobrevivência caem
significativamente. Portanto, o diagnóstico precoce e correto é fundamental para garantir que
os pacientes tenham o melhor prognóstico possível (Davis et al., 2019). Diante disso, a
inteligência artificial surge como auxílio ao médico para o diagnóstico dessa doença, estudos
mostram que uma rede neural convolucional bem treinada é capaz de ter uma acurácia alta
para classificar imagens dermatoscópicas de nevos melanocíticos e melanomas, além disso,
alguns conseguem ser mais acurados comparado a dermatologistas (Haenssle et al., 2018).
Portanto, esse presente estudo pergunta: qual o potencial da inteligência artificial no
diagnóstico do melanoma?

2 OBJETIVOS

2.1 Objetivo geral

Identificar o que a literatura científica dispõe sobre a eficiência do uso de inteligência

artificial no diagnóstico de melanoma

2.2 Objetivos específicos

Relatar o disposto na literatura sobre a acurácia do uso de Inteligência Artificial no

diagnóstico de câncer de pele tipo melanoma e comparar a sensibilidade com o método
tradicional.
 5

Identificar possíveis limitações da Inteligência Artificial no diagnóstico efetivo de

melanoma.

3 JUSTIFICATIVA

Melanoma é um tumor maligno que surge de melanócitos, células produtoras de

melanina, que produz a pigmentação da pele. Essencialmente, envolvem a pele, porém,
também podem surgir no olho (úvea, conjuntiva e cílios), meninges cerebrais e em várias
mucosas superficiais (Garbe et al., 2022). A maioria dos melanomas é de coloração marrom-
escura, mas eles podem se apresentar de cores variadas, desde cor da pele até rosa-
avermelhado, isto é, amelanótico (Bolognia, 2015).
O melanoma é a forma mais mortal de câncer de pele, responsável por 90% das mortes
associadas com tumores cutâneos (Garbe et al., 2022). Nos estágios iniciais, o melanoma
pode ser tratado com sucesso apenas com cirurgia e as taxas de sobrevivência são altas, mas
após as metástases as taxas de sobrevivência caem significativamente. Portanto, o diagnóstico
precoce e correto é fundamental para garantir que os pacientes tenham o melhor prognóstico
possível (Davis et al., 2019).
No Brasil, a estimativa para novos casos é de 8.980 em 2023, correspondendo a 4,13
casos por 100 mil habitantes. O sexo masculino apresenta maior prevalência quando
comparado ao sexo feminino e pessoas que habitam a região sul do país têm um maior risco
em ambos os sexos comparado as outras regiões brasileiras. Santa Catarina é o estado com
maior incidência de câncer de pele melanoma no Brasil (INCA, 2022).
Os principais fatores de riscos ambientais associados à doença são a exposição aos
raios UV, por causa de seu efeito genotóxico. Raios UV artificiais, como em máquinas de
bronzeamento, podem ter um papel no desenvolvimento de melanoma. De fato, a quantidade
de UVA irradiada em uma sessão de bronzeamento artificial é significativamente maior em
comparação com a exposição no banho de sol convencional. Os principais fatores de risco
relacionados ao paciente são o número de nevos melanocíticos, história familiar e
susceptibilidade genética (Rastrelli et al., 2014).
Inteligência artificial (IA) é um termo amplo, usado para descrever o aprendizado de
máquinas através de mínima intervenção humana com o objetivo de resolver problemas
(Sichman, 2021). No âmbito da medicina, o uso de machine learning já está sendo utilizado
para auxiliar em diagnósticos, tratamentos, intervenções cirúrgicas e outras aplicações
(Hamet, 2017).
 6

Em 2005, Sboner et al. descobriu que tanto especialistas quanto não especialistas não
seguem as diretrizes diagnósticas completamente (Sboner et al., 2005). Isso resulta em uma
má conduta médica e tratamentos tardios, ao contrário do que se espera em um câncer de pele
com altos índices de mortalidade.
Nesse contexto, foram criados modelos de sistema computadorizado para lidar com o
diagnóstico automático de melanoma. Por exemplo, projetos de rede neural convolucional
podem alcançar uma acurácia de mais de 90% depois de serem treinadas em base de dados de
imagens dermatoscópicas. Os sistemas da inteligência artificial têm melhor performance em
várias tarefas, melhor predizendo o prognóstico dos pacientes e auxiliando no diagnóstico
(Zhang et al., 2022).
Destaca-se a importância desse estudo, visto que a IA é um assunto atual e está se
expandindo para vários campos nas áreas da saúde, modelos já estão sendo aplicados
atualmente no diagnóstico do melanoma através de estudos científicos. Dessa forma, este
trabalho propõe uma revisão de escopo da literatura, para uma melhor compreensão do
estádio da arte atual acerca do uso de IA no diagnóstico do melanoma.

4 FUNDAMENTAÇÃO TEÓRICA

4.1 Melanoma

O melanoma é um tumor derivado de melanócitos, sendo mais comumente cutâneo na

sua origem. O melanoma maligno possui diversas formas clínicas de apresentação, pode
surgir de melanócitos na pele de aparência normal, de melanócitos ativados de lentigo solar
ou, menos frequentemente, de lesões nevomelanocíticas atípicas ou relativamente benignas
(Bolognia, 2015).
Epidemiologicamente, é mais frequentemente encontrado em adultos brancos e pode
aparecer em qualquer parte do corpo (na pele ou mucosas), na forma de manchas, pintas ou
sinais. Nos indivíduos de pele negra, ele é mais comum nas áreas claras, como palma das
mãos e planta dos pés. No Brasil, a estimativa para novos casos é de 8.980 em 2023,
correspondendo a 4,13 casos por 100 mil habitantes. O sexo masculino apresenta maior
prevalência quando comparado ao sexo feminino e pessoas que habitam a região sul do país
têm um maior risco em ambos os sexos comparado as outras regiões brasileiras. É o tipo mais
grave devido à sua alta possibilidade de provocar metástases (INCA, 2022).
Melanoma cutâneo é classificado como melanoma in situ, quando o mesmo está
confinado apenas a epiderme ou invasivo, no momento em que as células tumorais invadem a
 7

derme. Há quatro principais subtipos clínico-patológicos: melanoma expansivo superficial

(41%), melanoma nodular (16%), melanoma maligno lentigo (2,7%-14%) e melanoma
lentiginoso acral (1-5%). Quando invasivos, tanto no melanoma expansivo superficial quanto
no nodular ocorre uma fase de crescimento vertical, que é observado com melanócitos que
invadiram a derme. Porém, no melanoma nodular se tem uma fase mais predominante de
proliferação vertical, sendo associado com um índice de profundidade maior (Garbe et al.,
2022).
O índice de Breslow é o principal fator prognóstico e a base no qual o estadiamento
TNM do melanoma é construído, utilizando da ideia que a profundidade desse tumor cutâneo
é preditor de metástase e sobrevida. No entanto, para se conseguir uma profundidade de
Breslow com acurácia é necessário a excisão completa do tumor primário. Além do índice de
Breslow, há outros importantes fatores para prognóstico, tal como a taxa mitótica e a presença
de ulceração na histologia da lesão. que é definida como a combinação de defeito profundo
total da epiderme, evidência de resposta inflamatória do hospedeiro e hiperplasia da epiderme
ao redor (Sadurní, 2022)
O melanoma maligno é um dos cânceres mais desafiadores para diagnosticar porque
requer altos níveis de experiência do dermatologista para detectar lesões em um estágio inicial
e do histopatologista para interpretar a arquitetura complexa das biópsias de pele. Além disso,
os melanomas malignos apresentam diversas manifestações clinicopatológicas e
citopatológicas. (Cabrera, 2018).
A apresentação clínica do melanoma varia de acordo com o seu subtipo, seu
diagnóstico pode ser feito clinicamente, auxiliado pelo método ABCD e deve
obrigatoriamente ser confirmado com a dermatoscopia. A histologia continua sendo o padrão-
ouro para diagnóstico e sempre deve ser requisitada, com ela se obtém o subtipo clínico-
patológico,profundidade de Breslow, presença de ulceração, taxa mitótica e microssatélites
Garbe et al., 2022).
Recentemente, técnicas de imuno-histopatologia e análise molecular podem ser
utilizadas na avaliação de casos diagnosticamente difíceis de melanoma primário. Por
exemplo, antígenos de diferenciação de melanócitos gp100, tirosinase e Melan-A/MART-1,
são úteis para distinguir células da linhagem melanocítica de outros tipos de tumores. Além
disso, a análise molecular se mostrou útil para diferenciar tumores de potencial maligno
incerto, através da hibridação genômica comparativa (HGC), um método para a avaliação do
genoma, evidenciando alterações no número de cópias de DNA em células tumorais
(Bolognia, 2015).
 8

Como havia necessidade de educar os médicos e o público para reconhecer o

melanoma em sua apresentação clínica inicial, os critérios “ABCD” foram desenvolvidos em
1985. A sigla ABCD significa Assimetria, irregularidade na Borda, variegação de Cores,
Diâmetro > 6mm. Posteriormente, foi acrescentada a letra “E” para Evoluir, o que é
especialmente importante para o diagnóstico de melanomas nodulares (Rastrelli et al., 2014).
Além do ABCDE, é bem estabelecido que um forte conhecimento prático de
dermatoscopia é essencial para a precisão do diagnóstico, visto que o dermatoscópio é um
instrumento que melhora a acurácia do diagnóstico de melanoma, particularmente lesões
primárias. Ademais, o dermatoscópio é perfeitamente adequado para abraçar a Inteligência
Artifical, que está se tornando difundida (Ring et al, 2021) .

4.2 Inteligência Artificial e Melanoma

Machine Learning é um subconjunto da inteligência artificial (IA) ao qual foca no

aprendizado dos computadores através de dados. Esta tecnologia recente surgiu através da
intersecção entre ciência computacional e estatística, ao qual pode ser subdividida de acordo
com sua forma de ensinar a máquina em aprendizado supervisionado ou não supervisionado
(Deo, 2015).
No aprendizado supervisionado, rótulos são previamente inseridos para a máquina por
um humano que servirá como supervisor, ou seja, nas sessões de treinamento o algoritmo irá
tentar agrupar a base de dados concordando com os estereótipos já estabelecidos (Bonaccorso,
2017). Por exemplo, na criação de um algoritmo que reconheça imagens de câncer de pele
tipo melanoma, primeiramente se deve mostrar exemplos típicos dessa doença, para que
assim o programa aprenda a diferenciar o conjunto de dados em melanoma ou não.
Por outro lado, no aprendizado não supervisionado o modelo irá analisar e agrupar os
dados por conta própria, sem ensino prévio para se basear. Clusters são ilhas de informação
ao qual o algoritmo separa do banco de dados por proximidade e similaridade das
características de cada imagem. Assim, quando uma nova informação chega ela irá ser
comparada com esses grupos e classificada na que melhor se encaixar (Bonaccorso, 2017).
No câncer tipo melanoma, os modelos mais acessíveis de Machine Learning aplicados
para seu diagnóstico utilizam fotografias clínicas, seja de uma base de dados ou de acervo
próprio. Essas imagens são colocadas em uma rede pré-treinada como ResNet, VGG-16, ou
Inception V3 e também em convolutional neural network (CNN) não previamente treinada
(Grossarth, 2023).
 9

Atualmente já existem aplicativos para celulares, como SkinVision® e TeleSkin® que

detectam melanoma e outros cânceres de pele através da câmera do celular aliado a um
algoritmo de inteligência artificial, sendo os dois aprovados na Europa como produtos
médicos certificados para diagnóstico. Essa é uma ferramenta recomendada para auxiliar na
triagem de pacientes e buscar uma consulta especializada com um dermatologista (Grossarth,
2023).
O uso de tecnologias recentes na prática clínica, como a inteligência artificial, pode
ser integrado para auxiliar o médico a chegar no diagnóstico correto, servindo como um
instrumento de suporte. Além disso, em áreas de acesso remoto pode facilitar o diagnóstico
precoce nesta população que raramente se desloca até centros de saúde especializados,
trazendo benefícios tanto para profissionais quanto para pacientes (Mar, 2018).

4.3 Acurácia, sensibilidade e especificidade da Inteligência Artificial

Diversos estudos ao longo dos últimos anos demonstraram a acurácia no diagnóstico

de melanoma por meio de algoritmos de IA, assim como, realizaram comparações entre seu
sistema de Machine Learning e dermatologistas treinados, buscando identificar a
sensibilidade e especificidade de cada um. Em 2016 Marchetti et al. demonstrou um dos
estudos pioneiros nessa temática, foi realizado um estudo transversal usando cem imagens
randomicamente selecionadas para serem agrupadas em benignas ou melanoma por um
algoritmo computacional e também por oito dermatologistas. Por fim, chegaram à conclusão
que o algoritmo conseguiu classificar as imagens com uma acurácia que excedia alguns, mas
não todos, dermatologistas.
Avanços incrementais foram adquiridos para aprimorar a acurácia da Inteligência
Artificial em estudos mais recentes. Informações clínicas como idade, local da lesão e
sintomas foram adicionados e foi obtido um aumento na acurácia do diagnóstico em 7%
(Pacheco, 2020).
Recentemente, algumas técnicas comercializadas utilizam de métodos não invasivos
com imagens e são aplicadas na prática clínica. Maclellan et al, analisou alguns desses
instrumentos como o MelaFind®, FotoFinder® Moleanalyzer Pro, e Verisante Aura™. A
sensibilidade para os modelos acima foram 82.5%, 88.1%, e 21.4%, e especificidade de
52.4%, 78.8%, e 86.2%, respectivamente. Para comparação, a sensibilidade alcançada por um
dermatologista local foi de 96.6% e especificidade de 32.2%. Entretanto, é impróprio
substituir dermatologistas pela inteligência artificial no momento.
 10

4.4 Limitações do uso da Inteligência Artificial

Usuários não especialistas e pacientes podem focar em nevos apenas em áreas

expostas e de apresentação mais clássica, deixando de lado lesões mais discretas, porém com
potencial maligno, que tem mais chances de serem identificadas em um exame físico
dermatológico de todo o corpo realizado por um especialista (Charalambides, 2020).
A inteligência artificial pode identificar mais falsos positivos do que os médicos,
criando ansiedade desnecessária, enquanto os melanomas amelanóticos, que são mais difíceis
de serem identificados por sua apresentação atípica, podem ser mal diagnosticados,
comprometendo gravemente a saúde do paciente (Charalambides, 2020).
Os algoritmos de Machine Learning são fornecidos com imagens de melanomas que
pode ter sido diagnosticado como nevo por um patologista e nevos que podem ter sido
diagnosticados como melanomas por outro patologista. Além disso, clínicos sabem que a
morfologia (clínica, dermatoscópica e histopatológica) nem todas as vezes consegue prever a
biologia, melanomas que parecem nevos podem existir, assim como o contrário. Por essa
razão, manejos clínicos não são guiados apenas pela morfologia da lesão, para a inteligência
artificial, isso não é bem compreensível (Lallas, 2018).

5 METODOLOGIA

5.1 Delineamento do estudo

Este é um estudo de revisão sistemática, uma metodologia rigorosa com o objetivo de

aplicar métodos explícitos e sistematizados de buscas com o propósito de selecionar os
estudos que fornecerão as evidências científicas e disponibilizar a sua síntese, com vista a
facilitar sua implementação na prática baseada em evidências dentro da área da saúde
(Guanilo, 2011).

5.2 Amostra

Os estudos usados na revisão sistemática serão coletados através de pesquisa

eletrônica nas plataformas PubMed, Scielo, Cochrane e Embase. Serão incluídos apenas
textos científicos publicados na forma de artigos.
 11

5.3 Critérios de elegibilidade

Vão ser incluídos estudos de caso-controle, ensaios clínicos e coorte que analisaram a
acurácia do uso da inteligência artificial no diagnóstico de câncer tipo melanoma. Não houve
restrição quanto à idioma ou data.
Como critérios de exclusão temos a ausência de dados sobre a acurácia no diagnóstico,
estudos em animais e revisões sistemáticas.

5.4 Coleta de dados

As pesquisas nas bases de dados serão feitas com as palavras chaves: melanoma
combinado com diagnóstico e inteligência artificial ou Machine Learning. Após a coleta
inicial, dois investigadores analisam e extraem os dados usando um aplicativo de organização
padrão (EndNote).
Em um primeiro momento, serão importados os artigos para a plataforma e será
realizada a exclusão dos duplicados. Após, cada investigador irá avaliar um resumo dos
estudos e organizar em 3 subgrupos: artigos incluídos, excluídos e em dúvida, de acordo com
os critérios de elegibilidade. Obteremos de cada estudo: primeiro autor, ano da publicação,
tipo de estudo, tipo de melanoma, modelo da inteligência artificial e acurácia no diagnóstico.
Os trabalhos incluídos na revisão vão ser os pertencentes ao grupo dos incluídos e uma
avaliação por um terceiro pesquisador será necessária para decidir se os artigos em dúvida
entrarão na revisão sistemática.

5.5 Análise e interpretação dos resultados

Em seguida, depois de selecionarmos os artigos que farão parte da revisão sistemática,

será realizada a leitura integral deles por parte dos investigadores e através dos dados
coletados dentro deles irá ser feito o matriciamento dos artigos selecionados no Excel. A
tabulação será feita contendo: autores, revista, ano de publicação, título do estudo, país onde
foi desenvolvido o estudo, objetivo do estudo, tipos de manifestação do melanoma, métodos
do diagnóstico realizado, IA utilizada, acurácia verificada, fator limitante intrínseco e
extrínseco.
Por meio dos dados obtidos, os investigadores irão analisar os resultados obtidos e
poder analisar os resultados e concluir a pesquisa.
 12

5.6 Aspectos éticos

A presente revisão integrativa assegura os aspectos éticos, garantindo a autoria das

ideias, os conceitos e as definições dos artigos pesquisados, utilizando para citações e
referência dos autores as normas da Associação Brasileira de Normas Técnicas (ABNT). Por
se tratar de uma revisão de literatura, dispensa-se a tramitação e aprovação do estudo pelo
Comitê de Ética em Pesquisa (CEP).

6 CRONOGRAMA DE AÇÃO

Tabela 1 – Cronograma de ação do projeto de pesquisa.

Atividades a serem Data de Início Data de término
executadas
Elaboração do projeto 01/08/2023 20/10/2023
Coleta de dados 01/11/2023 30/11/2023
Leitura dos artigos 15/01/2024 28/02/2024
Tabulação e interpretação dos 01/03/2024 01/05/2024
dados

Apresentação de trabalho em 01/06/2024 30/06/2024

congressos
Finalização do relatório 28/07/2024 30/09/2024
Defesa do TCC 15/10/2024 30/10/2024
Entrega do trabalho para a 01/11/2024 10/11/2024
biblioteca

7 ORÇAMENTO

Tabela 2 – Orçamento do projeto de pesquisa

Descrição Quantidade Valor/Unidade Total

Inscrição e Participação de 02 R$ 100,00 R$ 200,00

Eventos
Banner 02 R$ 75,00 R$ 150,00
Total = R$ 450,00
 13

REFERÊNCIAS

BOLOGNIA, J. Dermatologia. 3. ed. Barueri-SP: Grupo GEN, 2015.

BONACCORSO, G. Machine Learning Algorithms. 1. ed. Birmingham: Packt Publishing,

2017.
CABRERA, R.; RECULE, F. Unusual Clinical Presentations of Malignant Melanoma: A
Review of Clinical and Histologic Features with Special Emphasis on Dermatoscopic
Findings. American Journal of Clinical Dermatology, v. 19, n. S1, p. 15–23, 30 out. 2018.
DOI: 10.1007/s40257-018-0373-6

CHARALAMBIDES, M.; SINGH, S. Artificial intelligence and melanoma detection: friend

or foe of dermatologists? British Journal of Hospital Medicine, v. 81, n. 1, p. 1–5, 2020.
DOI: https://doi.org/10.12968/hmed.2019.0322

DAVIS, L. E.; SHALIN, S. C.; TACKETT, A. J. Current state of melanoma diagnosis and
treatment. Cancer Biology & Therapy, v. 20, n. 11, p. 1366–1379, 2019. DOI:
10.1080/15384047.2019.1640032

DEO, R. C. Machine Learning in Medicine. Circulation, v. 132, n. 20, p. 1920–1930, 2015.

DOI: 10.1161/CIRCULATIONAHA.115.001593

GARBE, C. et al. European consensus-based interdisciplinary guideline for melanoma. Part

1: Diagnostics- Update 2022. European Journal of Cancer, v. 170, p. 256–284, 2022. DOI:
10.1016/j.ejca.2022.04.018

GUANILO, M. C.; TAKAHASHI, R. F.; BERTOLOZZI, M. R. Revisão sistemática: noções

gerais. Revista da Escola de Enfermagem da USP, v. 45, n. 5, p. 1260–1266, 2011. DOI:
https://doi.org/10.1590/S0080-62342011000500033

GROSSARTH, S. et al. Recent Advances in Melanoma Diagnosis and Prognosis Using

Machine Learning Methods. Current Oncology Reports, v. 25, n. 6, p. 635–645, 2023. DOI:
10.1007/s11912-023-01407-3.

HAENSSLE, H. A. et al. Man against machine: diagnostic performance of a deep learning

convolutional neural network for dermoscopic melanoma recognition in comparison to 58
 14

dermatologists. Annals of Oncology, v. 29, n. 8, p. 1836–1842, 2018. DOI:

10.1093/annonc/mdy166

HAMET, P.; TREMBLAY, J. Artificial intelligence in medicine. Metabolism, v. 69, n. 69, p.

S36–S40, 2017. DOI: 10.1016/j.metabol.2017.01.011

‌INCA. Instituto Nacional de Câncer José Alencar Gomes da Silva. Estimativa 2023:
incidência de câncer no Brasil. 2019. Disponível em:
https://www.inca.gov.br/sites/ufu.sti.inca.local/files//media/document//estimativa-2023.pdf.
Acessado em: 01 de setembro de 2023.

LALLAS, A.; ARGENZIANO, G. Artificial intelligence and melanoma diagnosis: ignoring

human nature may lead to false predictions. Dermatology Practical & Conceptual, p. 249–
251, 2018. DOI: https://doi.org/10.5826/dpc.0804a01

MACLELLAN, A. N. et al. The use of noninvasive imaging techniques in the diagnosis of

melanoma: a prospective diagnostic accuracy study. Journal of the American Academy of
Dermatology, v. 85, n. 2, p. 353–359, 2021. DOI: https://doi.org/10.1016/j.jaad.2020.04.019

MARCHETTI, M. A. et al. Results of the 2016 International Skin Imaging Collaboration

ISBI Challenge: Comparison of the accuracy of computer algorithms to dermatologists for the
diagnosis of melanoma from dermoscopic images. Journal of the American Academy of
Dermatology, v. 78, n. 2, p. 270-277.e1, 2018. DOI: 10.1016/j.jaad.2017.08.016.

MAR, V. J.; SOYER, H. P. Artificial intelligence for melanoma diagnosis: how can we
deliver on the promise? Annals of Oncology, v. 29, n. 8, p. 1625–1628, 2018. DOI:
https://doi.org/10.1093/annonc/mdy193

PACHECO, A. G. C.; KROHLING, R. A. The impact of patient clinical information on

automated skin cancer detection. Computers in Biology and Medicine, v. 116, p. 103545,
2020. DOI: https://doi.org/10.1016/j.compbiomed.2019.103545

RASTRELLI, M.; TROPEA, S.; ROSSI, C. R.; ALAIBAC, M.; Melanoma: epidemiology,
risk factors, pathogenesis, diagnosis and classification. In Vivo. v. 28, n.6, p. 1005-1011,
2014. Disponível em: https://iv.iiarjournals.org/content/invivo/28/6/1005.full.pdf. Acesso em:
01 de setembro de 2023.
 15

RING, C.; COX, N.; LEE, J. B. Dermatoscopy. Clinics in Dermatology, v. 39, n. 4, p. 635–
642, jul. 2021. DOI: 10.1016/j.clindermatol.2021.03.009

SADURNÍ, M. B.; MEVES, A. Breslow thickness 2.0: Why gene expression profiling is a
step toward better patient selection for sentinel lymph node biopsies. Modern Pathology, v.
35, n. 11, p. 1509–1514, 2022. DOI: 10.1038/s41379-022-01101-y

SBONER, A.; ALIFERIS, C. F. Modeling clinical judgment and implicit guideline

compliance in the diagnosis of melanomas using machine learning. AMIA 2005 Symposium
Proceedings Page, p. 664–668, 2005. Disponível em:
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1560780/pdf/amia2005_0664.pdf. Acesso
em: 08 set. 2023

SICHMAN, J. S. Inteligência Artificial e sociedade: avanços e riscos. Estudos Avançados, v.

35, n. 101, p. 37–50, 2021. DOI: 10.1590/s0103-4014.2021.35101.004

ZHANG, S. et al. Artificial intelligence in melanoma: a systematic review. Journal of

Cosmetic Dermatology, v. 21, n. 11, p. 5993–6004, 2022. DOI: 10.1111/jocd.15323