Desempenho de algoritmos de previsão de risco de câncer de mama em diferentes sistemas de mamografia no programa de rastreamento do Reino Unido

Por que isso importa para mulheres e famílias

O rastreamento mamário salva vidas ao detectar tumores precocemente, ainda que muitos cânceres apareçam nos anos entre mamografias de rotina, frequentemente em estádio mais avançado. Este estudo faz uma pergunta simples, mas importante: a inteligência artificial (IA) consegue analisar uma mamografia “normal” e sinalizar discretamente mulheres que, na realidade, apresentam alto risco de curto prazo, para que possam receber exames adicionais antes que um câncer cresça e se espalhe?

Ver mais em uma mamografia aparentemente normal

A maioria dos programas nacionais de rastreamento, incluindo o do Reino Unido, convida as mulheres para uma mamografia a cada três anos. Se nada suspeito for visto, dizem que o exame é “negativo” e elas retornam à rotina normal. Ainda assim, cerca de 30% dos cânceres de mama em mulheres rastreadas são “cânceres de intervalo” que surgem entre as consultas agendadas e tendem a ter prognóstico pior. Recentemente, sistemas de IA poderosos aprenderam a varrer mamografias que parecem normais para leitores humanos e atribuir a cada mulher uma pontuação de risco de curto prazo. A ideia é usar essa informação oculta para personalizar a frequência do rastreamento e definir quem deve receber exames mais sensíveis, como ressonância magnética ou mamografia com contraste.

Testando quatro ferramentas de IA

Os pesquisadores analisaram 112.621 mamografias de rastreamento com resultado negativo de dois locais do NHS Breast Screening Programme na Inglaterra, cobrindo uma rodada completa de três anos entre 2014 e 2017 e acompanhando as mulheres por cinco anos. Os dois centros usaram máquinas digitais de mamografia diferentes (Philips e GE), espelhando a variação do mundo real. No seguimento, 1.225 mulheres desenvolveram câncer de mama, incluindo 396 cânceres de intervalo e outros tumores detectados na rodada de rastreamento seguinte. Quatro algoritmos líderes de risco por IA — três comerciais e um acadêmico — foram executados localmente em cada mamografia para gerar uma pontuação de risco futuro, e seu desempenho foi comparado.

Quão bem os algoritmos identificaram cânceres futuros

Todos os quatro sistemas de IA conseguiram distinguir, melhor do que o acaso, entre mulheres que viriam a desenvolver câncer e as que não viriam, mas eles não tiveram desempenho idêntico. Um algoritmo (rotulado DL‑1) apresentou de forma consistente o melhor desempenho, enquanto outro (DL‑3) ficou atrás. Quando a equipe se concentrou nos cânceres de intervalo — aqueles que aparecem logo após uma mamografia “normal” — o melhor modelo alcançou níveis de acurácia semelhantes ou superiores aos de estudos anteriores com um único algoritmo. Importante: três das quatro ferramentas se comportaram de maneira semelhante tanto em imagens Philips quanto GE, sugerindo que conseguem lidar com pelo menos algumas diferenças de hardware de digitalização, embora um algoritmo tenha tido desempenho visivelmente pior em um dos sistemas.

O que acontece se agirmos sobre as pontuações de risco mais altas?

A questão prática para os serviços de rastreamento é quantas mulheres chamar de volta com base nas pontuações de IA. Os pesquisadores, portanto, analisaram pontos de corte clinicamente relevantes. Se apenas as 4% de mulheres com maior risco (segundo as pontuações de cada ferramenta) fossem selecionadas para atenção adicional, os dois melhores algoritmos juntos capturaram cerca de um em cada cinco dos cânceres futuros e mais de um quarto dos cânceres de intervalo. Quando o limiar foi relaxado para incluir as 14% maiores pontuações de risco — mais próximo das taxas de recall observadas em alguns programas norte‑americanos — o rendimento aproximadamente dobrou: o modelo mais forte identificou cerca de 42% de todos os cânceres futuros e metade dos cânceres de intervalo. No entanto, cada algoritmo tende a sinalizar subconjuntos parcialmente diferentes de cânceres, com sobreposição relativamente pequena, o que sugere que ensembles ou estratégias com múltiplas ferramentas poderiam encontrar mais tumores do que qualquer modelo isolado.

Forças, lacunas e próximos passos

Este trabalho se destaca por usar dados rotineiros completos de dois grandes centros de rastreamento do NHS em vez de uma amostra de pesquisa estritamente selecionada, e por ser o primeiro a avaliar lado a lado várias ferramentas de risco por IA nomeadas no contexto do Reino Unido. Ao mesmo tempo, há limitações. Mulheres com implantes ou vistas de imagem não padronizadas foram excluídas, e o estudo cobriu apenas duas marcas de mamógrafos, de modo que o desempenho em outros equipamentos ou entre diferentes grupos étnicos permanece incerto. Como a análise foi retrospectiva, alguns cânceres que poderiam ter sido detectados mais cedo com imagens extras baseadas no risco não foram contados, o que significa que o benefício real pode ser maior do que o relatado.

O que isso significa para o rastreamento mamário futuro

Para um leitor leigo, a conclusão é que a IA moderna pode, de fato, encontrar sinais de alerta em mamografias “normais” que predizem quais mulheres têm maior probabilidade de desenvolver câncer de mama em curto prazo, especialmente os cânceres de intervalo que são difíceis de pegar cedo. Os melhores algoritmos poderiam, em princípio, permitir que programas de rastreamento ofereçam exames mais frequentes ou mais sensíveis a um grupo relativamente pequeno de mulheres com risco maior, enquanto as demais continuam com os controles padrão a cada três anos. Ainda assim, as diferenças entre ferramentas e entre sistemas de imagem mostram que nenhum modelo de IA isolado está pronto para adoção universal sem testes cuidadosos. Os autores defendem grandes ensaios prospectivos usando múltiplos algoritmos, juntamente com ajuste fino para aparelhos e populações locais, antes que o rastreamento mamário baseado em risco guiado por IA possa se tornar rotina segura.

Citação: Rothwell, J., Payne, N., Kilburn-Toppin, F. et al. Performance of breast cancer risk prediction algorithms across mammography systems in the UK screening programme. npj Digit. Med. 9, 330 (2026). https://doi.org/10.1038/s41746-026-02507-7

Palavras-chave: rastreamento do câncer de mama, inteligência artificial, mamografia, previsão de risco, cânceres de intervalo