A hanseníase é uma Doença Tropical Negligenciada (DTN) e um grave desafio de saúde pública. O Brasil detém a segunda maior incidência global, com o Piauí caracterizado como uma área hiperendêmica. O diagnóstico clínico é complexo devido à variabilidade fenotípica das lesões e à escassez de profissionais especializados. A Inteligência Artificial (IA), surge como uma ferramenta promissora para apoio ao diagnóstico não invasivo por meio da análise de imagens. Apesar do potencial da IA, a literatura sobre hanseníase demonstra uma lacuna metodológica crítica: a ausência de estudos de validação externa. Esta limitação compromete a capacidade de generalização e a robustez dos modelos de IA em diferentes populações e contextos clínicos reais, dificultando sua aplicação translacional para a prática médica. O objetivo geral da tese é validar externamente um modelo de inteligência artificial (Modelo 1), treinado para auxiliar no diagnóstico não invasivo da hanseníase através da análise de imagens de lesões na pele. O estudo visa comparar os resultados do modelo de IA e de especialistas clínicos com o padrão de referência (Ground Truth). O Modelo 1 utiliza a arquitetura ResNet-50 com Transfer Learning para classificação binária ("hansênica" ou "não hansênica"). A validação externa foi conduzida utilizando um conjunto de dados independentes, estruturado por coortes retrospectiva e prospectiva. A coleta prospectiva foi concluída em Unidades Básicas de Saúde (UBS) de Parnaíba (PI), uma região hiperendêmica. O Padrão de Referência (Ground Truth) foi definido por dermatologistas especialistas em hansenologia. O desempenho será avaliado por métricas quantitativas (Acurácia, Sensibilidade, Especificidade, F1-score) e, principalmente, pelo Coeficiente Kappa de Cohen, para medir a concordância entre as previsões do modelo e o diagnóstico dos especialistas. O Sistema SkinReader for Leprosy (aplicação web e duas aplicações móveis) foi integralmente desenvolvido e submetido ao Registro de Programa de Computador (RPC) sob o processo Nº: BR512025002777-0. A coleta de dados independentes da coorte prospectiva em Parnaíba (PI) foi concluída, e as imagens foram pré-processadas e anonimizadas. As etapas preparatórias para a validação externa, incluindo a definição do Ground Truth, foram finalizadas, estabelecendo a base para a análise estatística comparativa. O estudo aborda a lacuna crítica da validação externa em IA para DTNs, fornecendo uma importante contribuição tecnológica e metodológica. O objetivo final é gerar evidências robustas sobre a capacidade de generalização do Modelo 1 em um contexto clínico distinto, verificando a Hipótese Alternativa (H₁). A validação externa é fundamental para a transição segura da solução de IA para a prática clínica, apoiando a detecção precoce da hanseníase em áreas endêmicas e fortalecendo as estratégias de controle da doença.