Resumo
A meta-analise de Tjiu e Lu (2025, 18 estudos, >70.000 imagens) demonstrou que a AUROC pooled para classificacao de lesoes cutaneas por IA varia por fototipo: 0.89 para Fitzpatrick I-III (peles claras) vs 0.82 para Fitzpatrick IV-VI (peles escuras). A queda de 7 pontos percentuais e clinicamente significativa. Em um pais miscigenado como o Brasil, qualquer implementacao de IA visual precisa de validacao estratificada por tom de pele — sem isso, a ferramenta amplifica disparidades em vez de reduzi-las.
Mecanismo
A melanina absorve luz amplamente, com maior absorcao em comprimentos de onda curtos. Isso reduz o contraste de sinais como palidez, eritema e pigmentacao patologica em peles mais escuras. Alem disso, datasets de treinamento de IA sao predominantemente compostos por imagens de peles claras (populacoes caucasianas), criando vies de selecao. O problema e tanto optico quanto de representacao nos dados de treino.
Evidencia
- Tjiu e Lu, 2025 (meta-analise, 18 estudos, >70.000 imagens): AUROC 0.89 (I-III) vs 0.82 (IV-VI)
- AUROC por ambiente: 0.90 (especializado) → 0.85 (atencao primaria) → 0.81 (smartphone)
- rPPG para hemoglobina: precisao diminui com pigmentacao mais escura e iluminacao variavel
Translação
Nenhum item de translação identificado.
Questoes Abertas
- Existem datasets diversificados (peles tipos IV-VI) suficientes para treinar modelos equitativos para a populacao brasileira?
- Algoritmos de compensacao de melanina podem reduzir o gap de AUROC sem datasets estratificados?
- Validacao multi-etnica de apps como AnemoCheck e Face2Gene no Brasil?
Auto-Research Needed
- PubMed: “dermatology AI skin type bias Fitzpatrick dark skin” — meta-analises recentes
- PubMed: “algorithmic fairness dermatology deep learning” — solucoes propostas
Notas Relacionadas
- Tese PPVAIA: a IA nao substitui o exame fisico — ela o ressuscita
- PPVAIA: score composto multi-territorial como Framingham visual