Desenvolvimento e avaliação de uma ferramenta baseada em inteligência artificial para pontuar a gravidade das lesões em imagens clínicas de psoríase pustulosa generalizada

Publicado na JID Innovations, este estudo revisado por pares apresenta o Generalized Pustular Psoriasis Physician Global Assessment automático (AGPPGA), uma ferramenta baseada em inteligência artificial que pontua a pustulação, o eritema e a descamação a partir de imagens clínicas de psoríase pustulosa generalizada (PPG), uma doença rara e potencialmente fatal cuja gravidade é difícil de avaliar de forma consistente.

Sabater A, Medela A, Hernández Montilla I, Aguilar Robles SA, Mac Carthy T, Mollet Sanchez J, Baniandrés O, Izu-Belloso R, Mataix Díaz J, Rueda JM, Sanz-Motilva V, Chowdhry GSS, Semeco J, Martorell A. Development and assessment of an artificial intelligence–based tool for scoring lesion severity in generalized pustular psoriasis clinical images. JID Innovations. 2026;6:100521. https://doi.org/10.1016/j.xjidi.2026.100521

Resumo

• Tipo de estudo: Desenvolvimento e validação retrospectiva de uma ferramenta de pontuação de gravidade baseada em IA
• Revista: JID Innovations (2026)
• DOI: https://doi.org/10.1016/j.xjidi.2026.100521
• Conjuntos de dados: 2 conjuntos de imagens de PPG, V1 (332 imagens) e V2 (4296 imagens de 46 pacientes), com diversidade de sexos, idades e tons de pele
• Padrão de referência: consenso de 2 painéis de dermatologistas com certificação europeia e experiência em psoríase e PPG (3 anotadores para V1 e 4 para V2)
• Objetivo: Avaliar automaticamente os 3 sinais visuais do GPPGA (pústulas, eritema e descamação) e comparar a concordância da ferramenta com o consenso de especialistas com a dos próprios dermatologistas

Contexto e justificativa

A psoríase pustulosa generalizada é uma doença inflamatória sistêmica, crônica e rara, com curso clínico imprevisível e heterogêneo, caracterizada por pústulas, eritema e períodos de crise. Uma avaliação precisa da gravidade da doença ajuda os médicos a definir os objetivos do tratamento e a avaliar a resposta terapêutica.

O GPPGA classifica as pústulas, o eritema e a descamação em uma escala de 5 pontos (0 = ausente, 1 = quase ausente, 2 = leve, 3 = moderado e 4 = grave), e a pontuação global é a média dos 3 componentes. Como outras escalas de pontuação, é limitado pela subjetividade da avaliação manual e pelo tempo necessário para preenchê-la, e essas dificuldades são maiores para médicos que não são dermatologistas. O AGPPGA foi projetado dentro do paradigma da inteligência aumentada: não para substituir o julgamento clínico, mas para oferecer uma referência objetiva e reprodutível que aumente a confiança e a consistência dos médicos que tratam essa doença rara.

Desenho do estudo

O AGPPGA é um modelo de visão computacional baseado em aprendizado profundo que combina um codificador de imagem (CAFormer-S), um bloco multitarefa de mistura de especialistas e 3 cabeças específicas, uma para cada sinal visual do GPPGA. Esse desenho avalia os 3 sinais a partir de uma única imagem e evita a perda de desempenho que pode ocorrer quando uma tarefa interfere em outra.

O modelo foi treinado e avaliado com validação cruzada de 4 partições em 2 conjuntos de dados:

• V1: 332 imagens centradas na lesão, 101 do ensaio clínico EFFISAYIL 1 e as demais de atlas dermatológicos públicos, com predomínio de tons de pele claros
• V2: 4296 imagens de alta resolução de grandes áreas do corpo de 46 pacientes do ensaio clínico EFFISAYIL 2, com predomínio de tons de pele médios a escuros e com partições estritas por paciente

Um terceiro conjunto de 50 imagens de pele saudável ou de lesões inespecíficas foi adicionado para ancorar a referência de ausência de doença (GPPGA = 0). O desempenho foi medido com a acurácia, o kappa de Cohen com ponderação quadrática e o erro absoluto médio (MAE) da pontuação final do GPPGA.

Figura 5: Mapas de saliência calculados sobre imagens dos conjuntos V1 e V2

Cada linha mostra uma imagem clínica original seguida dos mapas de saliência de pustulação, eritema e descamação, com o grau de gravidade avaliado pelo AGPPGA. O modelo se concentra de forma consistente nas lesões de PPG e em suas bordas, e não no fundo ou em outros artefatos do contexto: por exemplo, observa os pixels mais claros para avaliar a descamação e a transição entre pele saudável e pele eritematosa para avaliar o eritema.

Resultados

Concordância com o consenso de especialistas

Tabela 1: Desempenho do AGPPGA e dos dermatologistas anotadores em relação ao consenso de especialistas

Conjunto	Avaliador	Acurácia	Kappa de Cohen	MAE do GPPGA
V1	AGPPGA	0.62 ± 0.04	0.74 ± 0.04	0.30 ± 0.01
V1	Dermatologistas	0.70 ± 0.01	0.79 ± 0.02	0.32 ± 0.02
V2	AGPPGA	0.64 ± 0.02	0.82 ± 0.02	0.31 ± 0.01
V2	Dermatologistas	0.65 ± 0.02	0.80 ± 0.02	0.33 ± 0.02

Resultados agregados dos 3 sinais visuais do GPPGA, expressos como média ± DP das 4 partições de validação cruzada. Na acurácia e no kappa de Cohen, um valor mais alto é melhor; no MAE da pontuação final do GPPGA, um valor mais baixo é melhor. O AGPPGA obtém um MAE do GPPGA inferior ao dos dermatologistas nos dois conjuntos e um kappa de Cohen superior no conjunto V2, mais padronizado.

Tabela 2: Kappa de Cohen por sinal visual do GPPGA

Conjunto	Avaliador	Pústulas	Eritema	Descamação
V1	AGPPGA	0.76	0.75	0.72
V1	Dermatologistas	0.78	0.80	0.79
V2	AGPPGA	0.71	0.86	0.88
V2	Dermatologistas	0.68	0.86	0.86

Kappa de Cohen médio com ponderação quadrática nas 4 partições de validação cruzada. No conjunto V2, o AGPPGA iguala ou supera os dermatologistas em todos os sinais visuais, com melhorias significativas em pustulação e descamação.

Em termos de significância estatística, o AGPPGA foi estatisticamente indistinguível do painel de especialistas agregado no conjunto V1, mais heterogêneo, e estatisticamente superior no conjunto V2, mais padronizado, tanto nos sinais visuais agregados quanto na pontuação final do GPPGA. A grande maioria das classificações incorretas correspondeu a categorias de gravidade adjacentes, de modo que erros grandes e clinicamente perigosos, como classificar um caso grave como ausente, foram excepcionalmente raros.

Desempenho segundo as características demográficas dos pacientes

Tabela 3: Desempenho no conjunto V2 estratificado por sexo e idade do paciente

Subgrupo	Pacientes	Amostras	Kappa de Cohen do AGPPGA	Kappa de Cohen dos dermatologistas	MAE do GPPGA do AGPPGA	MAE do GPPGA dos dermatologistas
Mulheres	32	760	0.80	0.78	0.29	0.33
Homens	14	328	0.74	0.73	0.35	0.41
De 21 a 34 anos	11	384	0.77	0.81	0.32	0.34
De 35 a 49 anos	22	544	0.81	0.76	0.29	0.35
De 50 a 66 anos	13	160	0.73	0.68	0.35	0.44

Valores referentes à primeira partição de validação cruzada. O desempenho foi comparável entre sexos e faixas etárias, e o AGPPGA obteve um MAE do GPPGA inferior ao dos dermatologistas em todos os subgrupos.

Tabela 4: Desempenho nos conjuntos V1 e V2 estratificado por fototipo de Fitzpatrick

Conjunto	Fototipo de Fitzpatrick	Kappa de Cohen do AGPPGA	Kappa de Cohen dos dermatologistas	MAE do GPPGA do AGPPGA	MAE do GPPGA dos dermatologistas
V1	I-II	0.74	0.78	0.30	0.31
V1	III-IV	0.78	0.82	0.35	0.35
V1	V-VI	-	-	0.17	0.33
V2	I-II	0.68	0.74	0.31	0.34
V2	III-IV	0.77	0.76	0.30	0.35
V2	V-VI	0.81	0.77	0.32	0.37

Valores referentes à primeira partição de validação cruzada. O kappa de Cohen não pode ser calculado quando todas as amostras pertencem a uma única categoria, como no pequeno subgrupo V-VI de V1. O AGPPGA obteve um MAE do GPPGA inferior ou igual ao dos dermatologistas em todos os fototipos, nos dois conjuntos.

Conclusões

O AGPPGA alcançou uma concordância substancial com dermatologistas especialistas (kappa de Cohen de 0.74 ou superior) e um cálculo preciso da pontuação do GPPGA (MAE de 0.31 ou inferior) em todos os sinais visuais e em uma ampla diversidade de sexos, idades e tons de pele. Seu desempenho foi estatisticamente indistinguível do painel de especialistas no conjunto V1 e estatisticamente superior no conjunto V2, mais padronizado.

A ferramenta se destina a classificar a gravidade das lesões de PPG, não a diagnosticá-las, e seu desempenho depende da qualidade das imagens: boa iluminação, ausência de desfoque por movimento e imagens de alta resolução tiradas a uma distância adequada para que as pústulas pequenas continuem visíveis. Ao fornecer avaliações objetivas e reprodutíveis, o AGPPGA pode apoiar profissionais não especialistas, reduzir a variabilidade inter e intraobservador entre dermatologistas especialistas e ajudar a padronizar a pontuação da gravidade na pesquisa de doenças raras e em ensaios clínicos multicêntricos.

O GPPGA automático oferece um método reprodutível que pode enfrentar a subjetividade da avaliação manual e facilitar a padronização da avaliação da gravidade da PPG.

Sabater A, Medela A, Hernández Montilla I, et al. Development and assessment of an artificial intelligence–based tool for scoring lesion severity in generalized pustular psoriasis clinical images. JID Innovations. 2026;6:100521. https://doi.org/10.1016/j.xjidi.2026.100521