Um sistema de IA interpretável reduz diagnósticos falso-positivos por ressonância magnética ao estratificar lesões mamárias de alto risco

Exames mais inteligentes, menos procedimentos desnecessários

A ressonância magnética da mama é uma das melhores ferramentas para detectar o câncer precocemente, especialmente em mulheres de alto risco, mas frequentemente “vê demais”, sinalizando muitos pontos inocentes como suspeitos. Esses achados em zona cinzenta geram ansiedade, exames adicionais e biópsias dolorosas que, no fim, se mostram benignas. Este estudo apresenta um novo sistema de inteligência artificial (IA) que lê exames de ressonância mamária em conjunto com radiologistas e ajuda a distinguir lesões verdadeiramente perigosas daquelas que podem ser acompanhadas com segurança, com o objetivo de detectar o câncer sem encaminhar tantas mulheres para biópsia.

O problema dos achados incertos na ressonância mamária

Quando radiologistas interpretam uma ressonância mamária, eles rotulam áreas suspeitas usando uma escala chamada BI-RADS. A categoria 4 é a mais problemática: engloba lesões com probabilidade de câncer que varia de 2% a 95%. Como essa faixa é tão ampla, a regra prática atual é biópsiar quase todas elas. Como resultado, muitas mulheres passam por procedimentos invasivos por lesões que acabam sendo benignas. Além disso, a interpretação da ressonância é subjetiva. Radiologistas diferentes, especialmente os menos experientes, podem discordar sobre o mesmo exame, às vezes classificando erroneamente como suspeitos achados benignos ou deixando passar cânceres sutis. Os autores buscaram construir uma ferramenta que reduza essa incerteza e, ao mesmo tempo, se integre à prática hospitalar real.

Um parceiro de IA treinado em milhares de exames

Os pesquisadores desenvolveram o Sistema de Análise de Lesões BI-RADS 4, ou BL4AS, um modelo de IA projetado especificamente para esses achados mamários ambíguos, porém de alto risco. Ao contrário de sistemas anteriores que se baseavam em uma única imagem, o BL4AS analisa múltiplos pontos no tempo após a injeção do contraste, acompanhando como cada lesão aumenta e diminui sua intensidade ao longo do tempo. Esses padrões dinâmicos carregam pistas importantes sobre a probabilidade de a lesão ser benigna ou maligna. A equipe primeiro pré-treinou um grande “modelo fundacional” em mais de 17.000 volumes de ressonância para aprender características gerais de imagem e, em seguida, o refinou em 2.803 lesões BI-RADS 4 de 2.686 mulheres tratadas em três centros médicos. O sistema tanto delineia a lesão quanto a classifica em risco baixo ou alto, oferecendo uma probabilidade de ser câncer.

Superando leitores humanos em clínicas reais

Para avaliar o desempenho do BL4AS fora do laboratório, os autores o testaram em dados independentes de outros hospitais e em um grupo prospectivo recém-coletado de pacientes. Nesses cenários, a IA mostrou alta acurácia e, crucialmente, especificidade muito maior do que a dos radiologistas — isto é, identificou melhor as lesões benignas e evitou alarmes falsos. Em um estudo prospectivo com leitores, oito radiologistas interpretaram inicialmente os casos sozinhos e depois os reavaliaram com o auxílio do BL4AS. Com o suporte da IA, a precisão diagnóstica aumentou, a taxa de falso-positivos caiu em mais de um quarto e o acordo entre os leitores melhorou substancialmente. Radiologistas juniores se beneficiaram mais, com desempenho quase igualando o dos colegas seniores quando assistidos pelo sistema.

Tornando as decisões da IA transparentes e acionáveis

Como os clínicos são compreensivelmente cautelosos com IA “caixa-preta”, a equipe incorporou explicações visuais. O BL4AS produz mapas de calor que destacam quais partes da lesão influenciaram sua decisão, frequentemente focando em formas irregulares, bordas nítidas e padrões de realce incomuns que os radiologistas já associam ao câncer. O sistema também vai além de uma simples previsão sim/não de câncer ao atribuir as lesões às subcategorias BI-RADS 4A, 4B ou 4C, que refletem risco crescente. Em conjuntos de teste externos, essas subcategorias definidas pela IA corresponderam de perto às taxas reais de câncer e desempenharam melhor do que os radiologistas tanto na identificação de lesões de baixo risco que poderiam evitar biópsia com segurança quanto no destaque de lesões de alto risco a serem tratadas prontamente.

O que isso pode significar para as pacientes

No geral, o estudo sugere que um assistente de IA interpretável como o BL4AS pode ajudar radiologistas a ler ressonâncias mamárias com mais consistência, reduzir biópsias desnecessárias e ainda manter uma margem de segurança muito alta contra cânceres não detectados. Ao usar toda a riqueza dos dados de ressonância temporalmente resolvidos e apresentar seu raciocínio de forma compreensível ao ser humano, o sistema oferece um caminho prático para um cuidado mais personalizado do câncer de mama: mulheres com lesões realmente preocupantes podem avançar rapidamente para o tratamento, enquanto aquelas com achados de baixo risco podem evitar procedimentos invasivos e ser acompanhadas de perto ao longo do tempo.

Citação: Liang, Y., Wei, Z., Dai, Y. et al. An interpretable AI system reduces false-positive MRI diagnoses by stratifying high-risk breast lesions. Nat Commun 17, 2263 (2026). https://doi.org/10.1038/s41467-026-69212-7

Palavras-chave: ressonância magnética mamária, inteligência artificial, diagnóstico de câncer, imagiologia médica, estratificação de risco