Triagem baseada em IA e suporte à decisão em mamografia e tomossíntese digital para rastreamento do câncer de mama: um ensaio pareado de não inferioridade

Por que um rastreamento mais inteligente importa

A maioria das mulheres com mais de 50 anos é convidada para exames regulares de raio‑X das mamas para detectar o câncer precocemente. Esses programas de rastreamento salvam vidas, mas também pressionam os sistemas de saúde e causam ansiedade quando exames disparam falsos positivos. Este estudo faz uma pergunta urgente: a inteligência artificial (IA) pode assumir com segurança parte do trabalho de leitura das imagens mamárias, de modo que os radiologistas se concentrem apenas nos casos de maior risco, mantendo ao menos a mesma taxa de detecção de câncer?

Como os exames mamários são lidos hoje

Em muitos programas europeus, cada mamografia é lida independentemente por dois radiologistas. Essa “leitura dupla” detecta mais casos de câncer, mas também dobra a carga de trabalho. Exames mais recentes, com aparência tridimensional, chamados tomossíntese, aumentam ainda mais o tempo de visualização por exame. Ao mesmo tempo, as populações estão envelhecendo, algumas diretrizes sugerem iniciar o rastreamento mais cedo e faltam radiologistas treinados em várias regiões. Tudo isso torna difícil manter ou melhorar a qualidade do rastreamento sem sobrecarregar os especialistas.

O que os pesquisadores testaram na prática

A equipe conduziu um grande ensaio clínico em Córdoba, na Espanha, dentro de um programa público de rastreamento existente. Mais de 31.000 mulheres entre 50 e 71 anos foram submetidas à mamografia digital padrão ou à tomossíntese. Cada exame foi processado de duas maneiras em paralelo. Primeiro veio a abordagem normal: dois radiologistas leram cada caso sem auxílio da IA. Na segunda abordagem experimental, um sistema de IA analisou as imagens e classificou cada exame por sua probabilidade de conter câncer. Exames que a IA rotulou como de baixo risco foram considerados automaticamente normais e nunca mostrados a um radiologista; apenas os exames de maior risco receberam leitura dupla, desta vez com as marcações visuais e as pontuações da IA disponíveis como suporte à decisão.

O que aconteceu com a carga de trabalho e a detecção de câncer

Essa estratégia de triagem por IA fez com que os radiologistas precisassem ler pouco mais de um terço de todos os exames em vez de cada um deles — uma redução de carga de trabalho de quase dois terços. Apesar dessa diminuição dramática, a estratégia com suporte de IA na verdade encontrou mais cânceres: cerca de 7,3 casos por 1.000 mulheres rastreadas, em comparação com 6,3 por 1.000 usando o método padrão. O percurso guiado pela IA detectou tumores adicionais precoces, pequenos e sem comprometimento de linfonodo, os tipos de câncer em que o tratamento precoce pode ser mais benéfico. Esses ganhos foram especialmente notáveis para a mamografia 2D tradicional, em que a detecção de câncer aumentou mais de 30% com o suporte da IA.

O trade‑off: mais chamadas para exames adicionais

O preço dessa melhoria foi um aumento no número de mulheres convocadas para testes adicionais. No geral, a taxa de recall subiu de 4,8% com a leitura padrão para 5,5% sob a estratégia de IA, e a taxa de falso positivo foi modestamente maior. Em outras palavras, mais cânceres foram encontrados, mas um pouco mais de mulheres passaram pela ansiedade de um resultado suspeito que, no fim, se revelou benigno. Para a tomossíntese, no entanto, a IA reduziu a carga de trabalho sem alterar de forma significativa quantas mulheres foram chamadas de volta ou quantos cânceres foram detectados, refletindo um desempenho já robusto nessa modalidade.

Segurança, cânceres perdidos e questões éticas

A IA não foi perfeita: 11 cânceres receberam pontuações de baixo risco e, portanto, teriam sido perdidos em um fluxo de trabalho totalmente autônomo. Ainda assim, a abordagem padrão sem IA deixou escapar ainda mais cânceres que a estratégia com IA conseguiu detectar. A maioria dos tumores não detectados pela IA apresentava aspectos muito sutis, captados por apenas um dos dois radiologistas no braço de leitura tradicional. Os autores enfatizam que a adoção ampla de leitura apenas por IA para muitos exames levanta questões éticas e legais. Eles argumentam que seriam necessárias salvaguardas adicionais — como verificações de qualidade rigorosas na aquisição das imagens e monitoramento contínuo do desempenho da IA — antes de confiar na IA para rotular a maioria dos exames como normais sem revisão humana.

O que isso significa para o rastreamento futuro

Para um leitor leigo, a conclusão é que a IA, quando cuidadosamente projetada, pode ajudar radiologistas a lidar com muito mais exames de rastreamento, encontrando ao menos a mesma quantidade — e, em alguns casos, mais — de cânceres de mama precoces. Neste ensaio, permitir que a IA liberasse automaticamente mamografias de baixo risco reduziu a carga de trabalho dos radiologistas em quase dois terços, manteve a precisão das achados positivos e melhorou ligeiramente a detecção geral de câncer, embora mais mulheres tenham sido convocadas para seguimento. O estudo sugere que, com supervisão apropriada e validação adicional, a triagem e o suporte à decisão baseados em IA poderiam tornar o rastreamento do câncer de mama em larga escala mais sustentável para os sistemas de saúde e mais eficaz na detecção precoce da doença.

Citação: Elías-Cabot, E., Romero-Martín, S., Raya-Povedano, J.L. et al. AI-based triage and decision support in mammography and digital tomosynthesis for breast cancer screening: a paired, noninferiority trial. Nat Med 32, 1296–1305 (2026). https://doi.org/10.1038/s41591-026-04277-x

Palavras-chave: rastreamento do câncer de mama, mamografia, inteligência artificial, carga de trabalho em radiologia, detecção precoce do câncer