JAMA Dermatology · 2020
Fotos padronizadas para avaliar a extensão da queda
Pesquisadores usaram 2.716 imagens em quatro vistas para desenvolver um modelo de avaliação da alopecia areata. Em uma avaliação adicional, oito dermatologistas tiveram menor erro de medição e maior concordância quando receberam auxílio do modelo.
Por que isso importa
O estudo mostra como fotografias e análise computacional podem apoiar uma avaliação mais objetiva da extensão da perda de cabelo.
Como interpretar
Foi realizado em uma única instituição e estudou alopecia areata. Os resultados não demonstram o mesmo desempenho em outros tipos de queda.
Lee S, Lee JW, Choe SJ, et al. Clinically Applicable Deep Learning Framework for Measurement of the Extent of Hair Loss in Patients With Alopecia Areata.
Ler publicação original (abre em nova aba)Acta Dermato-Venereologica · 2022
Análise automatizada de densidade e espessura dos fios
Com 2.910 imagens de tricoscopia, os autores desenvolveram um sistema para analisar densidade e distribuição do diâmetro dos fios e relacionar esses parâmetros à classificação da alopecia androgenética masculina.
Por que isso importa
A pesquisa demonstra que características capilares podem ser organizadas e quantificadas com apoio de inteligência artificial.
Como interpretar
Tricoscopia usa imagens ampliadas do couro cabeludo. Os resultados não podem ser transferidos diretamente para fotos comuns de celular.
Gao M, Wang Y, Xu H, et al. Deep Learning-based Trichoscopic Image Analysis and Quantitative Model for Predicting Basic and Specific Classification in Male Androgenetic Alopecia.
Ler publicação original (abre em nova aba)JAMA Dermatology · 2023
Mapas visuais da perda de cabelo em diferentes alopecias
O modelo HairComb quantificou a perda de cabelo a partir de fotografias de diferentes tipos de alopecia. Em imagens de 404 participantes, apresentou mais de 92% de acurácia de segmentação e erros de pontuação comparáveis aos de avaliadores humanos.
Por que isso importa
Mapas de regiões com perda de cabelo podem ajudar a visualizar a distribuição dos sinais e apoiar a avaliação clínica.
Como interpretar
Acurácia de segmentação mede a identificação de áreas na imagem; não é acurácia de diagnóstico. O estudo avaliou o HairComb, não a tecnologia Noma.
Gudobba C, Mane T, Bayramova A, et al. Automating Hair Loss Labels for Universally Scoring Alopecia From Images: Rethinking Alopecia Scores.
Ler publicação original (abre em nova aba)Ewha Medical Journal · 2025
90% de acurácia na detecção de alopecia androgenética inicial
Pesquisadores desenvolveram um modelo com 318 imagens de tricoscopia. No teste separado de 20 imagens, a acurácia para distinguir ausência de queda de alopecia androgenética inicial foi de 90%.
Por que isso importa
A pesquisa mostra o potencial da IA na identificação de sinais precoces em imagens ampliadas do couro cabeludo.
Como interpretar
O teste é pequeno e usa tricoscopia, não selfies. O resultado avalia um modelo experimental independente da Noma e exige confirmação em estudos maiores.
Suh MJ, Ahn S, Byun J. Ewha Medical Journal. 2025;48(3):e44. DOI: 10.12771/emj.2025.00486.
Ler publicação original (abre em nova aba)Dermatology and Therapy · 2026
O papel atual da IA no cuidado capilar
A revisão descreve aplicações da IA na avaliação capilar e aponta as medições automatizadas e reproduzíveis como as aplicações mais estabelecidas. Modelos de diagnóstico e previsão ainda são, em grande parte, investigacionais.
Por que isso importa
O papel da tecnologia é apoiar a organização dos sinais, a avaliação e o acompanhamento, integrado ao cuidado profissional.
Como interpretar
É uma revisão narrativa, não um ensaio clínico da Noma. A evidência varia conforme o sistema, a imagem e a condição estudada.
Lecumberri A, Vañó-Galván S, Asz-Sigall D, Saceda-Corralo D. Artificial Intelligence in Hair Disorders: A Narrative Review.
Ler publicação original (abre em nova aba)