Desenvolvimento e validação de um modelo baseado em inteligência artificial para diagnosticar massas anexiais benignas, borderline e malignas

Por que isso importa para a saúde das mulheres

Massas ovarianas e outras massas anexiais são achados comuns em ultrassonografia pélvica, porém decidir quais são inofensivas e quais sinalizam um câncer precoce ainda é difícil, mesmo para especialistas. Este estudo descreve um novo sistema de inteligência artificial (IA), chamado Clinical‑OMTA, que interpreta imagens de ultrassom e ajuda médicos a classificar essas massas em três grupos-chave — benignas, borderline e malignas — para que as mulheres recebam o tratamento adequado evitando cirurgias desnecessárias.

Três tipos de lesões, três escolhas muito diferentes

Nem todas as massas anexiais são iguais. Lesões benignas muitas vezes podem ser acompanhadas ou removidas com cirurgia simples. Tumores malignos são cânceres potencialmente fatais que exigem cirurgia especializada e quimioterapia. Tumores borderline ficam em um limiar: podem recidivar mas frequentemente acometem mulheres mais jovens que desejam preservar a fertilidade, de modo que os cirurgiões tentam remover apenas o que for necessário. Infelizmente, ao ultrassom essas três categorias podem apresentar aspecto muito semelhante. Tumores borderline, em particular, podem mimetizar tanto um cisto inofensivo quanto um câncer agressivo, tornando as decisões terapêuticas estressantes para pacientes e clínicos.

Transformando exames complexos em respostas mais claras

O ultrassom costuma ser o primeiro e mais disponível exame para massas anexiais, mas interpretar imagens granuladas e altamente variáveis exige considerável experiência. Sistemas de pontuação e calculadoras de risco existentes, como o amplamente utilizado modelo ADNEX, combinam aspectos específicos do ultrassom com informações clínicas simples, como idade e um marcador sanguíneo (CA125), mas ainda dependem de observadores humanos para descrever corretamente as imagens. Trabalhos recentes em deep learning — um ramo da IA que aprende padrões diretamente dos pixels — oferecem a oportunidade de reduzir essa subjetividade treinando computadores para reconhecer assinaturas de imagem sutis de diferentes tipos tumorais.

Um assistente de IA treinado em vários hospitais

Com base em estudos anteriores, os autores projetaram o Clinical‑OMTA, um modelo de IA de via dupla que primeiro separa massas benignas das não benignas e depois distingue borderline de malignas. O sistema processa imagens de ultrassom em tons de cinza e também pode receber idade e valores de CA125 como entradas opcionais. Para ensinar e testar o modelo, a equipe reuniu um grande e diverso conjunto de dados: 2381 mulheres de 23 hospitais na China, examinadas em 38 modelos de aparelhos de ultrassom. A maioria dos casos teve confirmação diagnóstica por cirurgia; um grupo menor de cistos claramente benignos foi confirmado por pelo menos seis meses de acompanhamento por ultrassom. Os dados foram divididos em conjuntos de treinamento, conjuntos de teste internos e dois coortes de teste externos totalmente independentes, incluindo imagens estáticas e varreduras em vídeo curtas dos ovários.

Desempenho da IA em cenários do mundo real

Nas imagens de teste externas, o Clinical‑OMTA separou corretamente massas benignas, borderline e malignas com precisão semelhante tanto ao modelo ADNEX quanto ao julgamento de um examinador de ultrassom especialista. Seu desempenho foi estável entre diferentes marcas de ultrassom, métodos de exame (abdominal ou transvaginal) e nos dois hospitais externos, sugerindo que o modelo não está excessivamente ajustado a um dispositivo ou centro específico. O sistema também funcionou bem em clipes de vídeo, não apenas em quadros estáticos. Curiosamente, incluir idade e CA125 não melhorou suas decisões em relação ao uso apenas das imagens de ultrassom, ecoando estudos anteriores que mostram que esse marcador sanguíneo acrescenta pouco quando imagens de alta qualidade estão disponíveis.

Auxiliando médicos menos experientes, e suas limitações

Os pesquisadores então solicitaram a 11 radiologistas — juniores, intermediários e altamente experientes — que classificassem os mesmos casos, primeiro sem auxílio e depois com a saída da IA e sobreposições de mapas de calor que destacam regiões da imagem consideradas importantes pelo modelo. Com a ajuda do Clinical‑OMTA, a acurácia dos médicos juniores aumentou cerca de 18–20 pontos percentuais, e leitores intermediários também melhoraram de forma marcante, alcançando desempenho próximo ao de especialistas. A concordância entre os leitores, que antes variava de apenas razoável a moderada, subiu para níveis muito altos quando utilizaram a ferramenta. Ao mesmo tempo, o estudo observa que essa forte convergência pode refletir “viés de automação”, em que clínicos dependem excessivamente da IA, particularmente nos casos borderline mais ambíguos. Os autores enfatizam, portanto, que mapas de calor são ferramentas de pesquisa, não explicações independentes, e que a orientação por IA deve ser integrada com cuidado ao treinamento clínico e à tomada de decisão.

O que isso significa para as pacientes

No geral, o Clinical‑OMTA demonstra que um sistema de IA treinado com dados de ultrassom diversos pode igualar o desempenho de especialistas na classificação de massas anexiais em categorias benignas, borderline e malignas, ao mesmo tempo em que aumenta substancialmente as habilidades e a consistência de radiologistas menos experientes. Como funciona em diferentes aparelhos e centros, o modelo poderia, futuramente, ser incorporado a scanners ou usado como software autônomo para apoiar médicos em clínicas lotadas ou com poucos recursos. Os autores alertam que mais estudos prospectivos e internacionais são necessários antes do uso rotineiro, especialmente em ambientes com equipamentos de menor qualidade ou operadores não especialistas. Ainda assim, o trabalho aponta para um futuro em que mais mulheres, independentemente de onde sejam tratadas, possam se beneficiar de interpretação de nível especialista em exames de ultrassom ovariano e de cuidados mais personalizados e oportunos.

Citação: Wu, Y., Dai, W., Li, X. et al. Development and validation of an artificial intelligence-based model for diagnosing benign, borderline, and malignant adnexal masses. npj Precis. Onc. 10, 106 (2026). https://doi.org/10.1038/s41698-026-01320-5

Palavras-chave: ultrassom ovariano, inteligência artificial, massas anexiais, tumores ovarianos borderline, suporte à decisão clínica