A DEEP LEARNING-BASED HYBRID RECOMMENDATION SYSTEM FOR PERSONALIZING FACIAL AESTHETIC TREATMENTS: A QUANTITATIVE APPROACH
REGISTRO DOI: 10.69849/revistaft/ar10202509032314
Márcio Rodrigo Elias Carvalho; Lucyneid Barros Carvalho; Dandara Beatriz Oliveira Lima; Antônio Ribas Reis; Rogério dos Santos Morais; Edyane Maria de Souza Gonçalves; Flávia Chaves Valentim Rodrigues; José Dirnece Paes Tavares.
Resumo
O presente estudo aborda o desafio da subjetividade nos métodos tradicionais de avaliação do envelhecimento facial na dermatologia estética, que limitam a padronização e a reprodutibilidade dos resultados. Este artigo propõe uma arquitetura conceitual para um sistema híbrido de recomendação, fundamentado em tecnologias de deep learning, com o objetivo de introduzir uma abordagem quantitativa e personalizada para a indicação de tratamentos estéticos faciais. O sistema utiliza uma pipeline de visão computacional, composta por redes neurais U-Net para a segmentação semântica de características dérmicas — como rugas, poros e lesões pigmentares — e uma rede ResNet para a extração de um vetor de características quantitativas. Subsequentemente, um motor de recomendação híbrido, que combina filtragem baseada em conteúdo e filtragem colaborativa, processa esse vetor para gerar um plano de tratamento individualizado. A filtragem baseada em conteúdo correlaciona as características dérmicas do paciente com uma base de conhecimento de procedimentos, enquanto a filtragem colaborativa refina as sugestões com base nos resultados de sucesso em pacientes com perfis dérmicos similares. Discutem-se os potenciais benefícios em precisão diagnóstica e eficácia terapêutica, bem como os desafios éticos e técnicos, como o viés algorítmico e a privacidade dos dados. Conclui-se que a estrutura proposta representa um avanço em direção a uma medicina estética baseada em evidências, capaz de oferecer hiperpersonalização em escala e de servir como uma ferramenta de suporte à decisão clínica.
Palavras-chave: Inteligência Artificial. Dermatologia Estética. Sistemas de Recomendação. Deep Learning. Análise Facial Quantitativa.
Abstract
Contemporary aesthetic dermatology faces the challenge posed by the inherent subjectivity of traditional facial aging assessment methods, which limit the standardization and reproducibility of therapeutic outcomes. This article proposes a conceptual architecture for a hybrid recommendation system, based on deep learning technologies, aiming to introduce a quantitative and personalized approach for recommending facial aesthetic treatments. The system employs a computer vision pipeline, consisting of a U-Net neural network for the semantic segmentation of dermal features—such as wrinkles, pores, and pigmentary lesions—and a ResNet network for the extraction of a quantitative feature vector. Subsequently, a hybrid recommendation engine, combining content-based filtering and collaborative filtering, processes this vector to generate an individualized treatment plan. Content-based filtering correlates the patient’s dermal features with a knowledge base of procedures, while collaborative filtering refines the suggestions based on successful outcomes in patients with similar dermal profiles. The potential benefits in diagnostic accuracy and therapeutic efficacy are discussed, as well as the ethical and technical challenges, such as algorithmic bias and data privacy. It is concluded that the proposed framework represents a significant step towards evidence-based aesthetic medicine, capable of delivering hyper-personalization at scale and serving as a clinical decision support tool.
Keywords: Artificial Intelligence. Aesthetic Dermatology. Recommendation System. Deep Learning. Quantitative Facial Analysis.
1 INTRODUÇÃO
A busca por procedimentos estéticos faciais tem se intensificado na sociedade contemporânea, impulsionada por uma confluência de fatores culturais, influências midiáticas e um crescente desejo por bem-estar e autoimagem positiva (STRAUCH et al., 2004). Este fenômeno transformou a dermatologia estética, que evoluiu de um campo focado primariamente na correção de patologias para uma especialidade que integra a prevenção do envelhecimento, a otimização da saúde cutânea e a promoção do bem-estar psicológico do paciente (ESTEVA et al., 2017; SEBASTIAN et al., 2024). Nesse contexto, a personalização dos tratamentos é um pilar fundamental, reconhecendo que cada indivíduo possui características dérmicas e objetivos estéticos únicos (THUNGA et al., 2024).
Apesar dos avanços em técnicas e tecnologias de tratamento, a prática clínica da dermatologia estética ainda se apoia, em grande medida, em métodos de avaliação do envelhecimento facial que são fundamentalmente subjetivos. A avaliação de parâmetros como rugas, flacidez, textura e pigmentação frequentemente depende da experiência e da interpretação visual do profissional, auxiliada por escalas clínicas qualitativas (SEBASTIAN et al., 2024). Embora essas escalas tenham valor histórico e prático, elas introduzem uma variabilidade inter e intra-avaliador significativa, o que compromete a reprodutibilidade dos diagnósticos, a padronização dos planos de tratamento e a comparação objetiva da eficácia de diferentes intervenções terapêuticas (ESTEVA et al., 2017; NARINS et al., 2003). Essa ausência de um padrão-ouro quantitativo representa um obstáculo para o avanço da medicina estética baseada em evidências, dificultando a validação rigorosa de novas tecnologias e a otimização de protocolos clínicos.
A Inteligência Artificial (IA), e mais especificamente os subcampos de deep learning e visão computacional, emerge como uma força transformadora com o potencial de solucionar essa lacuna. Essas tecnologias permitem a análise de imagens dermatológicas com um nível de detalhe e objetividade inalcançável ao olho humano, convertendo a avaliação estética de uma arte interpretativa para uma ciência quantitativa e data-driven (ESTEVA et al., 2017; JEONG et al., 2023; THUNGA et al., 2024). A capacidade das Redes Neurais Convolucionais (CNNs) de aprender e extrair padrões complexos de imagens já foi amplamente demonstrada no diagnóstico de lesões cutâneas, como o câncer de pele, onde algoritmos alcançaram desempenho comparável ou superior ao de dermatologistas experientes (ESTEVA et al., 2017; HAENSSLE et al., 2020; ABDALLA et al., 2024). Essa mesma capacidade pode ser redirecionada para quantificar de forma precisa e reprodutível os múltiplos parâmetros do envelhecimento facial. A “personalização” oferecida atualmente no mercado estético é, em grande parte, um processo artesanal. Um sistema de IA, por outro lado, pode analisar centenas de micro-parâmetros dérmicos e correlacioná-los com um vasto banco de dados de resultados de tratamentos, viabilizando uma “hiperpersonalização” em escala (MEDGOL, 2024; DELRAY PLASTIC SURGERY, 2024).
Contudo, apesar do crescente número de pesquisas sobre a aplicação de IA para diagnóstico de doenças de pele ou para análise facial genérica, persiste uma lacuna significativa na literatura no que tange à integração de uma análise dérmica quantitativa e multifatorial com um sistema de recomendação de tratamentos que seja robusto, personalizado e clinicamente relevante (THUNGA et al., 2024; ZHU et al., 2021).
Diante do exposto, o objetivo deste artigo é propor uma arquitetura conceitual para um sistema híbrido de recomendação. Este sistema utiliza deep learning para realizar uma análise facial quantitativa, extraindo um vetor de características dérmicas único para cada paciente. Subsequentemente, emprega um motor de recomendação que combina abordagens de filtragem baseada em conteúdo e colaborativa para sugerir um plano de tratamento estético facial otimizado e personalizado.
2 FUNDAMENTAÇÃO TEÓRICA
2.1 Avaliação do Envelhecimento Facial: Do Subjetivo ao Quantitativo
A avaliação do envelhecimento cutâneo tem sido historicamente dominada por escalas clínicas qualitativas, como a Escala de Glogau para fotoenvelhecimento e a Classificação de Fototipos de Fitzpatrick (FORS et al., 2020; GLOGAU, 1996). A Escala de Glogau categoriza o fotoenvelhecimento em quatro tipos, baseando-se na presença de rugas e alterações pigmentares (GLOGAU, 1996; KANG et al., 2024; DERMAPENWORLD, 2024). A Classificação de Fitzpatrick categoriza a pele em seis fototipos com base na sua resposta à exposição solar, o que é crucial para a seleção de tratamentos (FORS et al., 2020).
Apesar de sua ampla utilização, essas escalas padecem de subjetividade, resultando em baixa concordância inter e intra-observador (ESTEVA et al., 2017; NARINS et al., 2003). Além disso, sua natureza categórica não permite capturar as nuances do processo de envelhecimento (GLOGAU, 1996). Essa lacuna impulsionou o desenvolvimento de escalas fotonuméricas validadas para áreas faciais específicas (NARINS et al., 2003; RZANY et al., 2008; FLYNN et al., 2011). No entanto, a verdadeira transição para uma avaliação quantitativa requer a medição de parâmetros biofísicos da pele, como rugosidade e diâmetro dos poros (KANG et al., 2024). A Tabela 1 resume as diferenças entre a abordagem tradicional e a quantitativa.
Tabela 1 – Análise Comparativa das Metodologias de Avaliação do Envelhecimento Facial.
| Característica | Escalas Clínicas Qualitativas (Ex: Glogau, Fitzpatrick) | Abordagem Quantitativa por IA Proposta |
| Objetividade | Baixa. Dependente da interpretação e experiência do avaliador. | Alta. Baseada em métricas computacionais extraídas diretamente dos dados da imagem. |
| Reprodutibilidade | Moderada a baixa. Alta variabilidade inter e intra-avaliador. | Muito Alta. Resultados consistentes e reprodutíveis sob condições de imagem padronizadas. |
| Granularidade | Baixa. Categorias amplas e discretas (ex: Tipo I a IV). | Alta. Análise em nível de pixel e extração de um vetor de características contínuas e de alta dimensão. |
| Potencial de Personalização | Limitado. As recomendações são baseadas em categorias gerais. | Elevado. Permite a hiperpersonalização do tratamento com base em micro-variações individuais do perfil dérmico. |
2.2 Visão Computacional para Análise Dérmica
A visão computacional oferece técnicas para permitir que computadores interpretem imagens digitais. As aplicações em análise facial iniciam-se com a detecção da face e a extração de pontos de referência faciais (facial landmarks), que permitem o alinhamento e a normalização da face (THUNGA et al., 2024; VALENTIN et al., 2022; IQBAL et al., 2023).
A revolução do deep learning mudou este paradigma. As Redes Neurais Convolucionais (CNNs) aprendem automaticamente uma hierarquia de características relevantes diretamente dos dados, eliminando a engenharia de características manual (ZHU et al., 2021; CARIN & PENCINA, 2018). A eficácia das CNNs foi demonstrada na classificação de lesões de pele, onde modelos alcançaram acurácia que rivaliza com a de dermatologistas (ESTEVA et al., 2017; HAENSSLE et al., 2020; ABDALLA et al., 2024; SALAMAA & ALY, 2021). Este sucesso sugere que uma CNN também pode ser treinada para quantificar as características associadas ao envelhecimento estético (LEE et al., 2023; KANG et al., 2024).
2.3 Arquiteturas de Redes Neurais para Segmentação e Classificação de Atributos Faciais
A U-Net é uma arquitetura de CNN padrão para a segmentação semântica de imagens biomédicas (RONNEBERGER et al., 2015; AZAD et al., 2022). Sua estrutura em “U” consiste em um caminho de contração (codificador) e um de expansão (decodificador), conectados por skip connections que preservam informações de alta resolução, resultando em uma segmentação precisa (ZHOU et al., 2018). Para a análise dérmica, a U-Net é ideal para gerar máscaras que delimitam áreas de rugas, poros e lesões (LEE et al., 2023).
Após a segmentação, a arquitetura ResNet (Rede Residual) é adequada para análise (HE et al., 2016). A ResNet resolve o problema do desaparecimento do gradiente através de “blocos residuais”, permitindo a construção de redes muito profundas que aprendem representações complexas (HE et al., 2016). No pipeline proposto, uma região segmentada pela U-Net é alimentada em uma ResNet para classificar sua severidade e extrair um “embedding” — um vetor numérico que representa uma quantificação rica daquela característica (WANG & DENG, 2021; RUSIA et al., 2024).
2.4 Sistemas de Recomendação Aplicados à Saúde e Estética
A Filtragem Baseada em Conteúdo recomenda itens com base na comparação entre as características do item e o perfil do usuário (MUREL & KAVLAKOGLU, 2025; THORAT et al., 2015). No contexto proposto, o sistema mapeia o vetor de características dérmicas do paciente a tratamentos indicados, gerando recomendações transparentes (AL-GHURIBI & NOAH, 2021).
A Filtragem Colaborativa funciona com base no princípio de que usuários com comportamentos similares terão gostos similares (AL-GHURIBI & NOAH, 2021; IBM, 2024). O sistema identifica pacientes com perfis dérmicos semelhantes e recomenda tratamentos que tiveram sucesso nesse grupo (THORAT et al., 2015).
Uma abordagem híbrida, que combina as duas técnicas, é a solução mais robusta (THORAT et al., 2015; AL-GHURIBI & NOAH, 2021). O sistema pode usar a filtragem baseada em conteúdo para uma linha de base de recomendações e a filtragem colaborativa para refinar e diversificar essas sugestões.
3 METODOLOGIA
Este trabalho constitui um ensaio teórico que propõe uma arquitetura conceitual para um sistema de suporte à decisão clínica em dermatologia estética. A metodologia empregada foi uma revisão narrativa da literatura, com busca em bases de dados como PubMed, IEEE Xplore, Scielo e Google Scholar. Foram selecionados artigos que abordam a aplicação de inteligência artificial, deep learning, visão computacional e sistemas de recomendação na área da saúde, com foco em dermatologia e análise facial. A síntese das informações coletadas permitiu a elaboração de um framework teórico integrado, que constitui o núcleo da proposta deste artigo.
4 PROPOSTA DE ARQUITETURA CONCEITUAL
A arquitetura é dividida em dois módulos principais: Análise de Imagem e Extração de Características, e Recomendação Híbrida.
4.1 Módulo de Análise de Imagem e Extração de Características
Aquisição e Pré-processamento de Imagens. A arquitetura pressupõe a aquisição de imagens faciais de alta resolução sob condições padronizadas (KIM & LEE, 2017). O pré-processamento inclui normalização de cor, detecção facial e alinhamento (LEE et al., 2023; RUSIA et al., 2024).
Pipeline de Deep Learning para Geração do Vetor Dérmico. O núcleo da análise é uma pipeline sequencial. A imagem de entrada é processada por um conjunto de modelos U-Net especializados para segmentar características dérmicas como rugas, poros e lesões (LEE et al., 2023; RONNEBERGER et al., 2015). As regiões de interesse (ROIs) identificadas são então processadas por um modelo ResNet-50 para classificar a severidade e extrair um vetor de características de alta dimensionalidade (HE et al., 2016). A concatenação desses vetores gera um único vetor de características dérmicas, a assinatura digital da pele do paciente.
4.2 Módulo de Recomendação Híbrida
Base de Conhecimento e Banco de Dados Histórico. O sistema opera com uma Base de Conhecimento curada por especialistas e um Banco de Dados Histórico anonimizado de casos anteriores.
Componente Baseado em Conteúdo. O vetor dérmico do paciente é comparado com os perfis na Base de Conhecimento para gerar uma lista inicial de tratamentos indicados (MUREL & KAVLAKOGLU, 2025; AL-GHURIBI & NOAH, 2021).
Componente Colaborativo. O vetor do paciente é usado para encontrar os k pacientes mais similares no Banco de Dados Histórico (IBM, 2024). Procedimentos com altas taxas de sucesso nesse grupo recebem um reforço na recomendação.
Estratégia de Hibridização e Saída. As pontuações dos dois componentes são combinadas. A saída final é uma lista classificada de opções de tratamento, cada uma com uma pontuação de confiança e uma explicação da recomendação.
5 DISCUSSÃO
A arquitetura proposta representa uma mudança para um modelo orientado por dados na dermatologia estética. O principal benefício é o aumento da precisão e objetividade na avaliação facial, podendo levar a uma maior satisfação do paciente (JEONG et al., 2023; THUNGA et al., 2024). O sistema é concebido como uma ferramenta de suporte à decisão, não substituindo o dermatologista (THUNGA et al., 2024).
Contudo, existem desafios críticos. O mais proeminente é o risco de viés algorítmico. Se o conjunto de dados de treinamento não for diverso, o modelo pode apresentar desempenho inferior para populações sub-representadas (ESTEVA et al., 2017; DELRAY PLASTIC SURGERY, 2024; THUNGA et al., 2024). É imperativo o desenvolvimento de conjuntos de dados representativos da população global (AI CONSENSUS GROUP, 2024; THUNGA et al., 2024).
A privacidade e a segurança dos dados são outra preocupação primordial, exigindo conformidade com regulamentações como a LGPD (DELRAY PLASTIC SURGERY, 2024; THUNGA et al., 2024). A natureza de “caixa-preta” de muitos modelos de deep learning apresenta um desafio à transparência e explicabilidade, sendo fundamental a pesquisa em Inteligência Artificial Explicável (XAI) (THUNGA et al., 2024; HINSCHE, 2024). Finalmente, é essencial a validação clínica rigorosa através de estudos prospectivos antes de qualquer implementação (THUNGA et al., 2024).
6 CONCLUSÃO
Este artigo apresentou uma arquitetura conceitual para um sistema híbrido de recomendação, projetado para introduzir objetividade e personalização na indicação de tratamentos estéticos faciais. A proposta une a análise dérmica quantitativa, via deep learning, a um motor de recomendação que combina filtragem baseada em conteúdo e colaborativa. O sistema tem o potencial de aprimorar a precisão diagnóstica e otimizar a eficácia terapêutica, promovendo uma prática baseada em evidências.
A principal limitação deste estudo é sua natureza teórica. A viabilidade do sistema depende da superação de desafios como a curadoria de grandes conjuntos de dados multiétnicos, a garantia da privacidade dos dados e o desenvolvimento de interfaces explicáveis.
As direções para trabalhos futuros incluem o desenvolvimento de um protótipo funcional, a realização de estudos clínicos prospectivos para validação e a incorporação de técnicas de XAI para aumentar a interpretabilidade do modelo.
REFERÊNCIAS
ABDALLA, Z. Y.; HARUN, N. H.; AHMED, M. S. A Convolutional Neural Network Approach for Skin Lesion Classification Using Imbalanced Dataset with Image Augmentation. Journal of Computer Science, v. 20, n. 11, p. 1430-1437, 2024.
AI CONSENSUS GROUP. AI assistance in aesthetic medicine: A consensus on objective medical standards. Chicago: University of Chicago, 2024.
AL-AYYOUB, M. et al. Brain Tumor Segmentation using an Enhanced U-Net-based Model. Mathematical Modelling of Engineering Problems, v. 11, n. 2, p. 541-546, 2024.
AL-GHURIBI, S. M.; NOAH, S. A. M. A hybrid content-based multi-criteria collaborative filtering approach for doctor recommendation. Indonesian Journal of Electrical Engineering and Computer Science, v. 21, n. 1, p. 493-501, 2021.
AZAD, R. et al. Medical Image Segmentation Review: The success of U-Net. arXiv preprint arXiv:2211.14830, 2022.
CARIN, L.; PENCINA, M. On the use of machine learning in medicine. Journal of the American Medical Association, v. 320, n. 11, p. 1185-1186, 2018.
DELRAY PLASTIC SURGERY. AI in Aesthetics: Personalized Treatment Plans for Optimal Results. 2024. Disponível em: https://www.jpfarkasmd.com/face/establishing-a-comprehensive-facial-analysis-the-science-and-art-behind-faces/. Acesso em: 28 ago. 2025.
DERMAPENWORLD. Glogau Scale: What Is It & How Can It Help Your Skin? 2024. Disponível em: https://www.dermapenworld.com/en-us/blog/skin-ageing-glogau-scale. Acesso em: 28 ago. 2025.
ESTEVA, A. et al. Dermatologist-level classification of skin cancer with deep neural networks. Nature, v. 542, n. 7639, p. 115-118, 2017
FLYNN, T. C. et al. Validated Assessment Scales for the Upper Face. Dermatologic Surgery, v. 37, p. S295-S309, 2011.
FORS, K. et al. Instruments used to characterize skin type and skin aging: a scoping review. Journal of Pharmaceutical Sciences, v. 23, p. 1-12, 2020.
GEEKSFORGEEKS. Content-Based vs Collaborative Filtering. 2024. Disponível em: https://www.geeksforgeeks.org/machine-learning/content-based-vs-collaborative-filtering-difference/. Acesso em: 28 ago. 2025.
GLOGAU, R. G. Aesthetic and anatomic analysis of the aging skin. Seminars in Cutaneous Medicine and Surgery, v. 15, n. 3, p. 134-138, 1996.
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 dermatologists. Annals of Oncology, v. 29, n. 8, p. 1836-1842, 2020.
HE, K. et al. Deep Residual Learning for Image Recognition. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016. p. 770-778.
HINSCHE, M. AI for Skin Type Classification: A Computer Vision Pipeline. YouTube, 2024. Disponível em: https://www.youtube.com/watch?v=95u1yqrnCPs. Acesso em: 28 ago. 2025.
IBM. Collaborative filtering. 2024. Disponível em: https://www.ibm.com/think/topics/collaborative-filtering. Acesso em: 28 ago. 2025.
IQBAL, S. M.; SHEKAR, D.; MISHRA, S. A Comparative Study of Face Detection Algorithms for Masked Face Detection. arXiv preprint arXiv:2305.11077, 2023.
JEONG, H. K. et al. Deep Learning in Dermatology: A Systematic Review of Current Applications of Convolutional Neural Networks. Journal of Investigative Dermatology, v. 143, n. 5, p. 753-763, 2023.
KANG, S. et al. Skin Age Index: Development of a Convenient and Quantitative Indicator of Facial Skin Aging and Its Application to Evaluation of the Efficacy of Three Anti-Aging Skin Care Products Containing GFF (Pitera). Journal of Cosmetics, Dermatological Sciences and Applications, v. 15, p. 46-61, 2025.
KIM, J.; LEE, H. DeepIQ: A Deep Learning Approach to Unsupervised Image Quality Assessment. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017.
LEE, S. et al. Deep-Learning-Based Morphological Feature Segmentation for Facial Skin Image Analysis. Applied Sciences, v. 13, n. 1, p. 1-15, 2023.
MEDGOL. How AI is Revolutionizing Personalized Aesthetic Treatments. 2024. Disponível em: https://medgol.com/how-ai-revolutionizing-personalized-aesthetic-treatments/. Acesso em: 28 ago. 2025.
MUREL, J.; KAVLAKOGLU, E. Content-based filtering. IBM, 2025. Disponível em: https://www.ibm.com/think/topics/content-based-filtering. Acesso em: 28 ago. 2025.
NARINS, R. S. et al. A randomized, double-blind, multicenter comparison of the efficacy and tolerability of Restylane versus Zyplast for the correction of nasolabial folds. Dermatologic Surgery, v. 29, n. 6, p. 588-595, 2003.
RONNEBERGER, O. U-Net: Convolutional Networks for Biomedical Image Segmentation. 2015. Disponível em: https://lmb.informatik.uni-freiburg.de/people/ronneber/u-net/. Acesso em: 28 ago. 2025.
RONNEBERGER, O.; FISCHER, P.; BROX, T. U-Net: Convolutional Networks for Biomedical Image Segmentation. In: Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. Cham: Springer, 2015. p. 234-241.
RUSIA, M. K. et al. Face Recognition Based Attendance System Using ResNet-50. AIP Conference Proceedings, v. 3083, n. 1, 2024.
RZANY, B. et al. A validated facial grading scale: The future of facial ageing measurement tools. Journal of the European Academy of Dermatology and Venereology, v. 22, n. 3, p. 265-271, 2008.
SALAMAA, W.; ALY, H. Classification of Skin Lesions with Deep Convolutional Neural Networks. In: 2021 International Mobile, Intelligent, and Ubiquitous Computing Conference (MIUCC), 2021.
SEBASTIAN, T. et al. AI in Aesthetic/Cosmetic Dermatology: Current and Future. Dermatology and Therapy, v. 14, p. 1-15, 2024.
STRAUCH, B.; BAUM, T.; ROSENTHAL, H. The role of the plastic surgeon in a multidisciplinary approach to the aesthetic patient. Clinics in Plastic Surgery, v. 31, n. 2, p. 325-333, 2004.
THORAT, P. B.; GOUDAR, R. M.; BARKI, V. Survey on Collaborative Filtering, Content-based Filtering and Hybrid Recommendation System. International Journal of Computer Applications, v. 110, n. 4, p. 31-36, 2015.
THUNGA, S. et al. AI in Aesthetic/Cosmetic Dermatology: Current and Future. Dermatology and Therapy, v. 14, p. 1-15, 2024.
VALENTIN, T. C. et al. “Facekit”—Toward an Automated Facial Analysis App Using a Machine Learning–Derived Facial Recognition Algorithm. The Cleft Palate-Craniofacial Journal, v. 59, n. 10, p. 1311-1318, 2022.
WANG, M.; DENG, W. Deep face recognition: A survey. Neurocomputing, v. 429, p. 215-244, 2021.
ZHOU, Z. et al. UNet++: A Nested U-Net Architecture for Medical Image Segmentation. In: Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support. Cham: Springer, 2018. p. 3-11.
ZHU, C. Y. et al. A Deep Learning Based Framework for Diagnosing Multiple Skin Diseases in a Clinical Environment. Frontiers in Medicine, v. 8, 2021.