A mamografia guiada por IA reduz a carga de trabalho em 33% e aumenta a deteção do cancro da mama

Em um estudo recente publicado no periódico Radiology, pesquisadores da Dinamarca e da Holanda conduziram uma análise retrospectiva da eficácia da triagem e da carga geral da triagem mamográfica antes e depois da introdução de sistemas de inteligência artificial (IA).

A mamografia regular para câncer de mama reduz significativamente a mortalidade por essa doença. No entanto, a mamografia em massa aumenta a carga de trabalho dos radiologistas, que precisam analisar muitas mamografias, a maioria das quais não contém lesões suspeitas.

Além disso, a dupla triagem, usada para reduzir falsos positivos e melhorar a detecção, aumenta ainda mais a carga de trabalho dos radiologistas. A escassez de radiologistas especializados que possam interpretar mamografias agrava essa situação.

Estudos recentes exploraram extensivamente o uso de IA para analisar laudos radiológicos com eficiência, mantendo altos padrões de triagem. Acredita-se que uma abordagem combinada, na qual a IA ajuda radiologistas a destacar mamografias com lesões sinalizadas, reduza a carga de trabalho dos radiologistas, mantendo a sensibilidade da triagem.

O presente estudo utilizou medidas preliminares de desempenho de duas coortes de mulheres submetidas a exames de mamografia como parte do programa nacional dinamarquês de rastreamento do câncer de mama para comparar a mudança na carga e no desempenho do rastreamento após a introdução de ferramentas de IA.

O programa convidou mulheres de 50 a 69 anos para serem examinadas a cada dois anos até os 79 anos. Mulheres com marcadores que indicavam um risco aumentado de câncer de mama, como os genes BRCA, foram examinadas de acordo com diferentes protocolos.

Os pesquisadores utilizaram dois grupos de mulheres: um triado antes da introdução do sistema de IA e outro depois. A análise incluiu apenas mulheres com menos de 70 anos para excluir aquelas em um subgrupo de alto risco.

Todos os participantes foram submetidos a protocolos padronizados utilizando mamografia digital com incidências craniocaudal e oblíqua mediolateral. Todos os casos positivos neste estudo foram identificados por meio de triagem para carcinoma ductal ou câncer invasivo, confirmados por biópsia por agulha. Dados sobre laudos patológicos, tamanho da lesão, envolvimento de linfonodos e diagnósticos também foram obtidos de um registro nacional de saúde.

O sistema de IA usado para analisar as mamografias foi treinado com modelos de aprendizado profundo para detectar, destacar e pontuar quaisquer calcificações ou nódulos suspeitos na mamografia. A IA então classificou os exames em uma escala de 1 a 10, indicando a probabilidade de câncer de mama.

Uma equipe composta, em sua maioria, por radiologistas experientes revisou as mamografias de ambos os grupos. Antes do sistema de IA, cada triagem era revisada por dois radiologistas, e a paciente só recebia recomendação para exame clínico e biópsia por agulha se ambos os radiologistas considerassem que a triagem necessitava de avaliação adicional.

Após a implementação do sistema de IA, as mamografias com pontuação igual ou inferior a 5 foram revisadas por um radiologista sênior, ciente de que receberiam apenas uma leitura. Aquelas que necessitavam de exames adicionais foram discutidas com um segundo radiologista.

O estudo descobriu que a implementação do sistema de IA reduziu significativamente a carga de trabalho dos radiologistas que analisam mamografias como parte do rastreamento em massa do câncer de mama, ao mesmo tempo em que melhorou a eficácia do rastreamento.

A coorte rastreada antes da implementação do sistema de IA incluiu mais de 60.000 mulheres, enquanto a coorte rastreada com IA incluiu aproximadamente 58.000 mulheres. O rastreio com IA resultou num aumento nos diagnósticos de cancro da mama (0,70% antes da IA vs. 0,82% com IA), reduzindo simultaneamente o número de falsos positivos (2,39% vs. 1,63%).

O rastreamento baseado em IA apresentou maior valor preditivo positivo e a porcentagem de cânceres invasivos foi menor com métodos baseados em IA. Embora a porcentagem de cânceres com linfonodos negativos não tenha se alterado, outras medidas de desempenho mostraram que o rastreamento baseado em IA melhorou significativamente os resultados. A carga de leitura também foi reduzida em 33,5%.

Em resumo, o estudo avaliou a eficácia de um sistema de triagem baseado em IA na redução da carga de trabalho dos radiologistas e na melhoria das taxas de triagem na análise de mamografias como parte do rastreamento em massa do câncer de mama na Dinamarca.

Os resultados mostraram que o sistema baseado em IA reduziu significativamente a carga de trabalho dos radiologistas e melhorou as taxas de triagem, conforme evidenciado por um aumento significativo nos diagnósticos de câncer de mama e uma redução significativa nos falsos positivos.