Avaliação prospectiva da integração de inteligência artificial no rastreamento do câncer de mama em múltiplos fluxos de trabalho: o estudo GEMINI

Por que isso importa para mulheres e clínicas

O rastreamento mamário salva vidas, mas também exige muito dos médicos especialistas e pode causar ansiedade quando mulheres são convocadas desnecessariamente para novos exames. Este estudo, realizado em um programa real do Serviço Nacional de Saúde (NHS) na Escócia, fez uma pergunta prática: a inteligência artificial (IA) pode ajudar os médicos a encontrar mais cânceres mantendo sob controle as convocações e a carga de trabalho? Em vez de testar uma única configuração, os pesquisadores exploraram várias maneiras de inserir a IA no dia a dia do rastreamento, oferecendo um roteiro para clínicas com diferentes pressões e prioridades.

Como o rastreamento mamário funciona hoje

No Reino Unido, mulheres de 50 a 71 anos são convidadas a fazer uma mamografia a cada três anos. Cada conjunto de raios X das mamas é lido de forma independente por dois leitores humanos treinados. Se houver discordância, um terceiro especialista toma a decisão final. Essa abordagem de "dupla leitura" aumenta a segurança, mas exige grande quantidade de tempo especializado. Ao mesmo tempo, os sistemas de saúde enfrentam aumento no número de mulheres que procuram o rastreamento e falta de radiologistas. Portanto, qualquer nova ferramenta precisa fazer mais do que apenas identificar cânceres; precisa também se integrar ao sistema existente e ajudar a gerir o tempo limitado da equipe.

O que o estudo GEMINI se propôs a testar

O estudo GEMINI acompanhou 10.889 mulheres que participaram do rastreamento de rotina em uma região do Reino Unido em 2023. Todas receberam o cuidado padrão: suas mamografias foram lidas por dois especialistas humanos, com arbitragem quando necessário. Em segundo plano, um sistema comercial de IA chamado Mia também analisou as imagens e armazenou silenciosamente sua opinião. A equipe de pesquisa então usou duas ideias principais. Primeiro, testaram a IA como uma "rede de segurança adicional": se a IA sugerisse reavaliar uma mulher, mas a equipe de rastreamento não o fizesse, suas imagens eram enviadas para uma revisão humana adicional. Segundo, usaram as saídas de IA armazenadas para simular diferentes configurações de "triagem", nas quais a IA eventualmente substituía o segundo leitor para economizar tempo. No total, modelaram 17 fluxos de trabalho distintos que combinavam essas abordagens.

O que ocorreu quando a IA atuou como leitora adicional

Quando a IA discordou da decisão rotineira de não convocar, leitores seniores revisaram essas mamografias. Dos 1.345 casos assim identificados, 55 mulheres foram chamadas para exames adicionais, e 11 cânceres de mama extras foram encontrados que, de outra forma, teriam sido perdidos naquela visita. A maioria desses eram cânceres invasivos, muitos relativamente pequenos. Importante, a revisão desses casos extras foi rápida: aproximadamente nove em cada dez foram lidos em menos de um minuto, semelhante ou mais rápido que uma leitura típica de mamografia. Isso sugere que leitores experientes conseguiram usar os alertas da IA de forma eficiente, confirmando preocupações reais enquanto descartavam com confiança alterações inofensivas ao comparar com imagens anteriores.

Como a triagem com IA pode reduzir a carga

A equipe então investigou como a IA poderia substituir com segurança algumas das segundas leituras humanas. Em fluxos de "triagem", quando o primeiro leitor humano e a IA concordavam, esse consenso prevalecia, e um segundo leitor não era necessário para esses casos. Em fluxos de "triagem negativa", esse atalho era usado apenas quando ambos concordavam que não havia indicação de convocação, o que evita convocações extras mas ainda economiza trabalho. Dependendo dos limiares de decisão definidos para a IA, essas estratégias simuladas poderiam reduzir a carga total de leitura em cerca de um terço até quase metade. Algumas versões reduziram levemente o número de cânceres detectados, enquanto outras preservaram a detecção de câncer e até reduziram a proporção de mulheres convocadas para mais exames.

Encontrando o melhor equilíbrio para cada clínica

O principal fluxo de trabalho preferido pelos autores combinou uma configuração de "triagem negativa" com o papel de leitora adicional da IA. Nessa configuração, todos os cânceres encontrados pelo rastreamento de rotina ainda foram detectados, além dos 11 cânceres adicionais destacados pela IA. Isso aumentou a taxa de detecção de câncer em cerca de 10% — aproximadamente um câncer a mais por 1.000 mulheres rastreadas — mantendo a taxa de convocação essencialmente inalterada e reduzindo a carga de leitura humana em até 31%. Outros fluxos testados ofereceram diferentes compensações, como maiores economias de trabalho e menos alarmes falsos, ao custo de perder um pequeno número de cânceres que o fluxo principal teria detectado.

O que isso significa para o futuro do rastreamento mamário

Para quem não é especialista, a mensagem-chave é que a IA não está prestes a substituir os médicos no rastreamento mamário, mas pode servir como assistente flexível. Nesta avaliação em mundo real, um sistema de IA, usado com cuidado, ajudou a encontrar mais cânceres sem aumentar o número de mulheres convocadas e ao mesmo tempo liberando uma fração considerável do tempo especializado de leitura. Como o estudo explorou muitas configurações possíveis, os serviços de saúde podem escolher a configuração que melhor se adapta às suas necessidades, seja maximizar a detecção de câncer, minimizar convocações desnecessárias ou aliviar a escassez de pessoal. Serão necessários mais trabalhos em outras regiões, com diferentes ferramentas de IA e acompanhamento mais longo, mas este estudo mostra que a IA integrada com critério pode tornar o rastreamento mamário mais preciso e mais sustentável.

Citação: de Vries, C.F., Lip, G., Staff, R.T. et al. Prospective evaluation of artificial intelligence integration into breast cancer screening in multiple workflow settings: the GEMINI study. Nat Cancer 7, 484–493 (2026). https://doi.org/10.1038/s43018-026-01126-1

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