Dot.lib

A inteligência artificial (IA) tem transformado rapidamente a radiologia, mas até que ponto ela é confiável na detecção de cânceres de mama invasivos? Um novo estudo publicado no periódico Radiology, da Radiological Society of North America, investigou a taxa de falsos-negativos (FNR) da IA em mamografias de rastreamento, com o objetivo de entender quais tipos de câncer a tecnologia tende a omitir e por quê.

A pesquisa, liderada pela Dra. Sung Eun Song, da Korea University Anam Hospital, surge num momento em que se debate se a IA poderia substituir tarefas essenciais dos radiologistas. A Dra. Song alinha-se a outra perspectiva: "Radiologistas que usam IA substituirão aqueles que não a usam". Para usá-la de forma eficaz, é crucial entender suas limitações.

O estudo retrospectivo analisou 1.097 cânceres em 1.082 mulheres, usando um software comercial de IA para avaliar as mamografias. Os principais achados foram:

• Taxa de Omissão da IA: A IA omitiu 14% de todos os cânceres invasivos analisados.
  
  
• Subtipo Mais Omitido: A taxa mais alta de falsos-negativos ocorreu nos cânceres com receptores hormonais (HR) positivos. Estes cânceres representam cerca de 70% de todos os casos de câncer de mama e frequentemente apresentam achados mais sutis na mamografia, ao contrário dos tipos HER2-positivos (com calcificações) ou triplo-negativos (com características volumétricas), que são mais fáceis de detectar.
  
  
• Características Omitidas: A tecnologia foi mais propensa a omitir cânceres que eram menores, de grau mais baixo, localizados em tecido mamário denso ou fora das zonas mamárias típicas.
  
  
• Importância Clínica: A maioria (62%) desses cânceres omitidos pela IA foi considerada passível de ação clínica pelos radiologistas.

O estudo, que focou exclusivamente em cânceres invasivos, sugere que confiar apenas na IA pode levar à omissão de doenças em estágio inicial, mas clinicamente significativas, especialmente em mulheres mais jovens e com mamas densas. Curiosamente, cerca de um terço dos cânceres omitidos pela IA também foram omitidos inicialmente pelos radiologistas, sugerindo que a melhor abordagem é a colaboração.

Os autores recomendam que os radiologistas revisem primeiro os resultados da IA e, em seguida, reexaminem cuidadosamente as áreas onde a IA é propensa a falhas – como mamas densas, distorções arquiteturais e zonas não mamárias – para aprimorar o atendimento ao paciente.

Para aprofundar-se na metodologia do estudo e na análise dos diferentes subtipos moleculares, recomendamos a leitura do artigo completo e do editorial relacionado.

Sobre a Radiological Society of North America (RSNA)

A Radiological Society of North America (RSNA) é uma sociedade internacional de radiologistas, médicos e outros profissionais da saúde interessados na área da imagiologia médica. É reconhecida por suas publicações de excelência em radiologia, além de suas ações contínuas no avanço desta especialidade através de sua fundação de ensino e pesquisa, que investe e financia pesquisas relevantes na área.

Se você deseja conhecer melhor as publicações da Radiological Society of North America para a sua instituição, entre em contato pelo info@dotlib.com ou preencha nosso formulário. Aproveite e acompanhe nosso blog, siga nossas redes sociais e se inscreva na Dotlib TV, nosso canal oficial no YouTube.