Avanços Recentes no Diagnóstico do Câncer de Pele: Eficácia Comparativa de Diferentes Métodos Diagnósticos
DOI:
https://doi.org/10.36489/nursing.2025v30i329p11872-11895Palavras-chave:
câncer de pele, diagnóstico, dermatoscopia, inteligência artificial, biópsia líquidaResumo
Introdução: O câncer de pele é uma das neoplasias mais incidentes no mundo, sendo o melanoma a forma mais agressiva. O diagnóstico precoce é essencial para o sucesso terapêutico, e novos métodos vêm aprimorando a precisão diagnóstica. Métodos: Realizou-se uma revisão sistematizada da literatura nas bases PubMed, Scopus, Web of Science, ScienceDirect e SciELO, abrangendo publicações entre 2020 e 2025. Foram incluídos estudos originais, revisões e metanálises que abordassem métodos diagnósticos do câncer de pele e apresentassem dados de sensibilidade, especificidade e acurácia. Resultados: Dezesseis estudos foram incluídos. As técnicas ópticas, como a dermatoscopia de superalta magnificação e a imagem multiespectral, mostraram sensibilidade média de
91–94% e especificidade de 87–90%. A biópsia líquida demonstrou acurácia superior a 85%, sendo útil também no monitoramento terapêutico. Métodos baseados em inteligência artificial atingiram acurácias acima de 90%, com destaque para redes neurais convolucionais e aprendizado profundo. Abordagens integradas e educacionais aumentaram a sensibilidade diagnóstica em atenção primária. Conclusão: Os avanços em métodos ópticos, moleculares e computacionais consolidam uma nova era no diagnóstico do câncer de pele, caracterizada por maior precisão, rapidez e acessibilidade. A integração entre tecnologias e prática clínica tende a reduzir erros diagnósticos e otimizar o manejo do paciente.
Métricas
Referências
Winkler, J. K., Kommoss, K. S., Vollmer, A. S., Enk, A. H., Haenssle, H. A., & Toberer, F. (2025). Optical super-high magnification dermoscopy of benign and malignant melanocytic lesions in correlation with histopathology. Journal der Deutschen Dermatologischen Gesellschaft = Journal of the German Society of Dermatology : JDDG, 23(5), 610–619. https://doi.org/10.1111/ddg.15640
Troiani, T., De Falco, V., Napolitano, S., Trojaniello, C., & Ascierto, P. A. (2021). How we treat locoregional melanoma. ESMO open, 6(3), 100136. https://doi.org/10.1016/j.esmoop.2021.100136
Ilișanu, M. A., Moldoveanu, F., & Moldoveanu, A. (2023). Multispectral Imaging for Skin Diseases Assessment-State of the Art and Perspectives. Sensors (Basel, Switzerland), 23(8), 3888. https://doi.org/10.3390/s23083888
Kamińska, P., Buszka, K., Zabel, M., Nowicki, M., Alix-Panabières, C., & Budna-Tukan, J. (2021). Liquid Biopsy in Melanoma: Significance in Diagnostics, Prediction and Treatment Monitoring. International journal of molecular sciences, 22(18), 9714. https://doi.org/10.3390/ijms22189714
Chen JY, Fernandez K, Fadadu RP, et al. Skin Cancer Diagnosis by Lesion, Physician, and Examination Type: A Systematic Review and Meta-Analysis. JAMA Dermatol. 2025;161(2):135–146. doi:10.1001/jamadermatol.2024.4382
Gupta, A., Bansal, K., Arti, Anand, R., Sabharwal, A., Reddy, S.R.N. (2025). Comprehensive Review of Deep Learning Techniques for Skin Cancer Diagnosis. In: Hassanien, A.E., Anand, S., Jaiswal, A., Kumar, P. (eds) Innovative Computing and Communications. ICICC 2025. Lecture Notes in Networks and Systems, vol 1431. Springer, Singapore. https://doi.org/10.1007/978-981-96-6681-2_36
Gonna, N., Tran, T., Bassett, R. L., Farris, D. P., & Nelson, K. C. (2022). Sensitivity and specificity for skin cancer diagnosis in primary care providers: a systematic literature review and meta-analysis of educational interventions and diagnostic algorithms. Journal of Cancer Education, 37(5), 1563-1572.
Varga, N. N., Gulyás, L., Meznerics, F. A., Barkovskij-Jakobsen, K. S., Szabó, B., Hegyi, P., Bánvölgyi, A., Medvecz, M., & Kiss, N. (2025). Diagnostic Accuracy of Novel Optical Imaging Techniques for Melanoma Detection: A Systematic Review and Meta-Analysis. International journal of dermatology, 64(10), 1813–1824. https://doi.org/10.1111/ijd.17828
Saeed, W., Shahbaz, E., Maqsood, Q., Ali, S. W., & Mahnoor, M. (2024). Cutaneous Oncology: Strategies for Melanoma Prevention, Diagnosis, and Therapy. Cancer control : journal of the Moffitt Cancer Center, 31, 10732748241274978. https://doi.org/10.1177/10732748241274978
Naseri, H., & Safaei, A. A. (2025). Diagnosis and prognosis of melanoma from dermoscopy images using machine learning and deep learning: a systematic literature review. BMC cancer, 25(1), 75. https://doi.org/10.1186/s12885-024-13423-y
Höhn, J., Hekler, A., Krieghoff-Henning, E., Kather, J. N., Utikal, J. S., Meier, F., Gellrich, F. F., Hauschild, A., French, L., Schlager, J. G., Ghoreschi, K., Wilhelm, T., Kutzner, H., Heppt, M., Haferkamp, S., Sondermann, W., Schadendorf, D., Schilling, B., Maron, R. C., Schmitt, M., … Brinker, T. J. (2021). Integrating Patient Data Into Skin Cancer Classification Using Convolutional Neural Networks: Systematic Review. Journal of medical Internet research, 23(7), e20708. https://doi.org/10.2196/20708
Alsaade, F. W., Aldhyani, T. H. H., & Al-Adhaileh, M. H. (2021). Developing a Recognition System for Diagnosing Melanoma Skin Lesions Using Artificial Intelligence Algorithms. Computational and mathematical methods in medicine, 2021, 9998379. https://doi.org/10.1155/2021/9998379
Koizumi, S., Inozume, T., & Nakamura, Y. (2024). Current surgical management for melanoma. The Journal of dermatology, 51(3), 312–323. https://doi.org/10.1111/1346-8138.17086
Ricci Lara, M. A., Rodríguez Kowalczuk, M. V., Lisa Eliceche, M., Ferraresso, M. G., Luna, D. R., Benitez, S. E., & Mazzuoccolo, L. D. (2023). A dataset of skin lesion images collected in Argentina for the evaluation of AI tools in this population. Scientific data, 10(1), 712. https://doi.org/10.1038/s41597-023-02630-0
Salih, R., Ismail, F., & Orchard, G. E. (2024). Double Immunohistochemical Labelling of PRAME and Melan A in Slow Mohs Biopsy Margin Assessment of Lentigo Maligna and Lentigo Maligna Melanoma. British journal of biomedical science, 81, 12319. https://doi.org/10.3389/bjbs.2024.12319
Nava Blanco, M. Á., & Castañón Ávila, G. A. (2025). Numerical Analysis of a SiN Digital Fourier Transform Spectrometer for a Non-Invasive Skin Cancer Biosensor. Sensors (Basel, Switzerland), 25(12), 3792. https://doi.org/10.3390/s25123792
Downloads
Publicado
Como Citar
Licença
Copyright (c) 2025 Louise Muricy Doetzer, Leonardo Bueno Anastácio, Marina Rosan Costa, Isabelle Santiago Silva, Ingrid Lehmkuhl Rinaldi, Amanda Cavalcante de Carvalho, Geovana Carla de Godoy Costa
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
