Um ResNet–transformer híbrido multiescala com aprendizado sensível à distância para classificação interpretável BI-RADS em mamografias

Por que isso importa para pacientes e médicos

O rastreamento do câncer de mama salva vidas, mas decidir quais mamografias realmente sinalizam perigo é difícil, até para especialistas. Este estudo apresenta uma nova ferramenta computacional que busca classificar imagens mamárias nas conhecidas categorias de risco BI-RADS com mais precisão e transparência. Ao fazer isso, pode ajudar a reduzir biópsias desnecessárias, detectar cânceres perigosos mais cedo e oferecer aos radiologistas uma opinião adicional compreensível em vez de uma resposta enigmática de caixa-preta.

Das imagens mamárias às categorias de risco

As mamografias costumam ser relatadas usando a escala BI-RADS, que vai de “normal” a “altamente suspeito de câncer”. As categorias mais críticas são BI-RADS 3, 4 e 5, nas quais se decidem seguimentos de curto prazo ou biópsias. Leitores humanos podem discordar, especialmente em mulheres com tecido mamário denso, e isso pode levar tanto a cânceres não detectados quanto a alarmes evitáveis. Para apoiar radiologistas, os autores treinaram um sistema de inteligência artificial em um conjunto público de mamografias no qual leitores especialistas já haviam rotulado imagens de BI-RADS 1 a 5. Eles também precisaram lidar com um problema comum: havia muito mais imagens normais e claramente benignas do que de alto risco, o que pode enviesar o aprendizado se não for corrigido.

Como o novo leitor inteligente vê as imagens

O sistema proposto combina duas ideias recentes em análise de imagens. Primeiro, usa uma rede convolucional profunda (ResNet-50) para captar detalhes finos como bordas, texturas e pequenos pontos brilhantes que podem indicar microcalcificações. Segundo, adiciona um módulo transformer, um projeto originalmente popularizado em modelos de linguagem, para conectar partes distantes da imagem e raciocinar sobre padrões gerais e simetria. Antes de tudo isso, as mamografias são cuidadosamente pré-processadas: são redimensionadas, o contraste é realçado para fazer lesões sutis se destacarem, e categorias mais raras são balanceadas por sobremostreamento para que o modelo veja exemplos suficientes de casos suspeitos e malignos durante o treinamento.

Ensinando ao modelo que alguns erros importam mais

Modelos computacionais padrão tratam todos os erros de categoria como igualmente ruins, mas assim não funciona na medicina. Confundir uma mama claramente normal com uma claramente maligna é muito mais grave do que confundir duas categorias vizinhas, como BI-RADS 2 e 3. Para refletir isso, os autores introduzem uma estratégia de aprendizado “sensível à distância”. Em vez de apenas contar acertos e erros, a função de perda também mede o quão distante a predição está da categoria verdadeira na escala ordenada BI-RADS. Saltos grandes são punidos mais que quase-erros, estimulando o sistema a traçar limites mais suaves e clinicamente sensatos entre os níveis de risco e a evitar as classificações erradas mais perigosas.

Como se saiu nos testes

Treinado e ajustado em duas etapas, o sistema mostrou desempenho forte quando avaliado em um conjunto de teste reservado. Atribuiu corretamente categorias BI-RADS em cerca de 92% das vezes no geral e obteve pontuações muito altas em medidas que levam em conta o desequilíbrio de classes e a dificuldade multicategoria. Importante, foi especialmente preciso para BI-RADS 4 e 5, os grupos que mais frequentemente levam a biópsias. Quase todos os seus erros foram entre categorias vizinhas, o que está alinhado com as áreas cinzentas do mundo real que os radiologistas enfrentam. Análises adicionais mostraram que suas probabilidades previstas estavam bem calibradas — ou seja, a confiança declarada coincidia com a frequência de acertos — e que superou várias abordagens recentes de aprendizado profundo projetadas para tarefas similares.

Ver onde o modelo olha

Como a confiança é crucial na medicina, os autores foram além dos números brutos e examinaram quais partes da imagem impulsionaram as decisões do sistema. Usando Grad-CAM, uma técnica que destaca regiões influentes, eles descobriram que o modelo focava consistentemente em lesões, padrões de tecido denso e aglomerados de pequenos pontos brilhantes em vez de fundo irrelevante. Visualizações do espaço de características internas mostraram agrupamentos claros de imagens por nível BI-RADS, separando particularmente exames suspeitos e malignos dos normais e benignos. A análise por curva de decisão sugeriu que, se usado junto com clínicos, a ferramenta poderia reduzir intervenções desnecessárias ao mesmo tempo que preserva ou melhora a detecção do câncer, embora isso ainda precise ser testado na prática real.

O que os resultados significam daqui para frente

Este trabalho mostra que combinar ideias convolucionais e de transformer, e ensinar explicitamente ao modelo que alguns erros são piores que outros, pode produzir um assistente de IA que é ao mesmo tempo preciso e mais alinhado ao raciocínio clínico. Embora o estudo seja limitado por um conjunto de dados modesto e de fonte única e careça de validação externa, aponta para sistemas de IA que não só igualam os radiologistas em desempenho, mas também explicam seu foco e sua confiança. Com testes adicionais em populações maiores e mais variadas, tais ferramentas poderiam se tornar parceiras confiáveis no rastreamento do câncer de mama, ajudando a garantir que as mulheres certas recebam o acompanhamento certo no momento certo.

Citação: Singh, M., Mohan, A., Tripathi, U. et al. A multi-scale hybrid ResNet–transformer with distance-aware learning for interpretable BI-RADS mammographic classification. Sci Rep 16, 10033 (2026). https://doi.org/10.1038/s41598-026-40906-8

Palavras-chave: rastreamento do câncer de mama, IA em mamografia, classificação BI-RADS, aprendizado profundo em radiologia, imagens médicas explicáveis