SkinBit Captura $6M em Financiamento Pré-Semente para Melhorar a Detecção Precoce de Câncer de Pele por meio de Imagem Corporal Completa

SkinBit capturou $6 milhões em financiamento pré-semente para expandir uma plataforma de tecnologia projetada para tornar a imagem corporal da pele mais acessível e dar aos pacientes um registro consistente de como sua pele muda ao longo do tempo.

A rodada inclui investimentos da Boost VC, Cleo Capital, Manna Ventures e Profluent Capital, ao lado do co-fundador da Lyft, Logan Green, e nove dermatologistas certificados. Em vez de confiar em um único exame visual anual, a SkinBit combina imagens padronizadas, visão computacional e revisão de dermatologistas para criar um registro de saúde da pele longitudinal de propriedade do paciente.

Divulgação: sou investidor nesta rodada de financiamento.

Transformando um Exame de Pele em um Conjunto de Dados Repetível

A maioria dos exames de pele fornece uma visão geral do que um dermatologista pode observar durante uma consulta específica. Sem imagens padronizadas de visitas anteriores, os clínicos podem ter informações limitadas para determinar se uma lesão é nova, está crescendo ou mudando de outra forma.

A SkinBit está tentando tornar esse processo mais sistemático. Sua plataforma registra a localização, dimensões e características visuais de marcas notáveis, e então vincula essas informações a imagens capturadas durante visitas subsequentes. Isso permite que os dermatologistas comparem as mesmas áreas do corpo de um paciente ao longo do tempo, em vez de depender inteiramente da memória, fotografias do paciente ou anotações de exames anteriores.

A premissa central da empresa é que o segundo exame pode ser mais clinicamente útil do que o primeiro. Um exame inicial estabelece uma linha de base, enquanto exames subsequentes podem revelar mudanças que podem justificar uma avaliação mais próxima.

Como Funciona o Modelo de Triagem da SkinBit

Uma consulta da SkinBit consiste em uma sessão de imagem de aproximadamente 20 minutos, realizada por um técnico treinado. A empresa usa fotografia de alta resolução e luz polarizada, que reduz o brilho superficial e permite que detalhes mais finos da pele sejam capturados em condições controladas.

O protocolo de imagem abrange 15 regiões anatômicas e inclui close-ups dermoscópicos de marcas notáveis. As imagens resultantes e os metadados estruturados são então revisados por um dermatologista certificado. Os pacientes geralmente recebem uma avaliação escrita por meio do aplicativo da SkinBit dentro de 48 horas, com encaminhamentos disponíveis quando um exame adicional ou biópsia pode ser apropriado.

A visão computacional é usada para organizar as imagens, apoiar comparações ano a ano e ajudar os dermatologistas a focar sua atenção. Importante, a SkinBit afirma que o software não faz a determinação clínica final. Cada exame é revisado por um dermatologista, que permanece responsável por recomendações e decisões sobre cuidados de acompanhamento.

A empresa também afirma que seu sistema de imagem documenta a superfície da pele e não é destinado a diagnosticar, tratar, curar ou prevenir doenças. A detecção e diagnóstico de câncer de pele permanecem como responsabilidade de profissionais de saúde licenciados.

Levando Imagem Especializada para Clínicas Existente

A SkinBit planeja colocar seus sistemas de digitalização dentro de práticas de dermatologia, clínicas de longevidade, spas médicos e outros destinos de bem-estar. Essa estratégia baseada em parcerias pode permitir que a empresa se expanda sem construir uma grande rede de instalações médicas autônomas.

De acordo com seu site, aproximadamente 220 pés quadrados podem ser convertidos em um centro de imagem da SkinBit. A empresa fornece o equipamento, o ambiente de imagem padronizado e o serviço de revisão de dermatologistas, enquanto o parceiro fornece a localização física e o acesso a pacientes ou membros.

A SkinBit espera ter três locais em operação em 2026 e 15 até o final de 2027. A empresa também relata que mais de 20 locais prospectivos estão em discussões ativas e que mais de 5.000 pessoas se juntaram à sua lista de espera.

Esse modelo de distribuição pode ajudar a resolver algumas barreiras geográficas e de agendamento associadas à dermatologia, mas também cria desafios operacionais. A SkinBit precisará manter iluminação consistente, calibração de câmera, posicionamento de paciente e qualidade de imagem em todos os locais de parceiros. Ela também precisará de encaminhamentos confiáveis para que os pacientes com resultados preocupantes possam acessar cuidados de acompanhamento apropriados.

Construindo a Infraestrutura de Imagem para a IA em Dermatologia

A oportunidade de longo prazo da SkinBit pode se estender além do próprio digitalizador.

Os sistemas de inteligência artificial em imagem médica dependem fortemente da qualidade e consistência dos dados usados para desenvolver e avaliar esses sistemas. Em dermatologia, fotografias podem variar substancialmente com base na câmera, iluminação, ângulo, distância, preparação da pele e protocolo de imagem.

A SkinBit está construindo um sistema de aquisição padronizado que captura imagens em condições repetíveis. Seu trabalho técnico inclui imagem multicâmera de alta resolução, iluminação controlada, polarização, calibração de câmera, reconstrução tridimensional e preparação de imagens para análise de visão computacional downstream.

Uma coleção crescente de imagens longitudinais estruturadas pode eventualmente se tornar uma base valiosa para o desenvolvimento de sistemas que identifiquem mudanças sutis ou ajudem a priorizar lesões para revisão. No entanto, construir um grande conjunto de dados não é suficiente por si só. A SkinBit ainda precisará demonstrar que seus modelos performam consistentemente em diferentes tons de pele, tipos de corpo, grupos etários e configurações clínicas.

A empresa também precisará estabelecer padrões claros para privacidade, consentimento do paciente, portabilidade de dados e uso de imagens no desenvolvimento de modelos futuros. Essas questões se tornam cada vez mais importantes quando uma plataforma é projetada para reter imagens médicas altamente sensíveis por muitos anos.

Uma Empresa Moldada pelo Próprio Diagnóstico do Fundador

O CEO e co-fundador da SkinBit, Jonathan Benassaya, anteriormente co-fundou o serviço de streaming de música Deezer e ocupou cargos seniores de produto na Life360 e Meta. Sua decisão de construir a SkinBit seguiu seu próprio diagnóstico de melanoma em 2020, quando um dermatologista notou uma lesão sob sua máscara perto do final de uma consulta.

A empresa reuniu uma equipe clínica que inclui o Dr. Justin Ko, Chefe de Dermatologia Médica no Hospital de Stanford, e o Dr. Sancy Leachman, ex-presidente de dermatologia da Universidade de Ciência e Saúde do Oregon e criador da iniciativa de pesquisa MoleMapper.

A participação de nove dermatologistas na rodada de financiamento fornece à SkinBit práticos que têm um interesse direto em avaliar como a plataforma funciona em ambientes clínicos reais. Esse apoio é um sinal útil inicial, embora a adoção ampla dependa eventualmente de evidências clínicas, integração de fluxo de trabalho e melhorias mensuráveis no cuidado ao paciente.

O Próximo Teste é a Execução

A rodada de $6 milhões dá à SkinBit recursos adicionais para trazer suas primeiras localizações online, aprimorar seu sistema de imagem e começar a construir o conjunto de dados longitudinal por trás de sua plataforma.

Sua abordagem representa uma aplicação diferente de inteligência artificial na saúde. Em vez de posicionar o software como um substituto para um especialista, a SkinBit está usando visão computacional para melhorar as informações disponíveis para os dermatologistas e tornar os exames mais consistentes de uma visita para a próxima.

O teste imediato será se a empresa pode reproduzir essa experiência em uma rede distribuída enquanto mantém a qualidade clínica e dá aos pacientes acesso oportuno a cuidados de acompanhamento. Se ela tiver sucesso, a SkinBit pode ajudar a mover a detecção de pele para longe de instantâneos anuais isolados e em direção a um modelo mais contínuo e baseado em dados.