INTELIGÊNCIA ARTIFICIAL NO RASTREAMENTO DO CÂNCER DE MAMA: AVANÇOS, LIMITAÇÕES E PERSPECTIVAS PARA IMPLEMENTAÇÃO EM PROTOCOLOS DE TRIAGEM

Resumo

Introdução: O câncer de mama (CAM) é a principal causa de morte por neoplasia em mulheres, sendo um importante desafio de saúde pública. Protocolos de rastreamento mamográfico (PRM) foram implementados com o objetivo de favorecer a detecção precoce e, consequentemente, reduzir a mortalidade. Contudo, limitações persistem, como a variabilidade de leitura entre radiologistas, a menor sensibilidade dos exames em mamas densas e a baixa cobertura de rastreamento em populações vulneráveis. Assim, ferramentas de inteligência artificial (IA) aplicadas à análise de imagens mamográficas (AI-CAD) vêm sendo estudadas como alternativas promissoras para contribuir com melhorias da acurácia diagnóstica e eficiência dos PRM Objetivo: Avaliar e o uso da IA nos PRM do CAM, analisando avanços, limitações e perspectivas descritas na literatura Metodologia: Revisão bibliográfica orientada pela estratégia PVO e pela pergunta: “A IA pode aprimorar o rastreio do CAM a ponto de ser integrada aos protocolos populacionais?”. A busca foi realizada em PubMed, Embase e Google Scholar com termos MeSH e operadores booleanos, incluindo estudos dos últimos 5 anos, em qualquer idioma e excluindo os que não atendiam aos critérios de inclusão Resultados: A análise da literatura mostrou diferentes realidades de triagem que englobavam leitura única ou dupla por radiologistas, modelos híbridos (IA + radiologista) e uso exclusivo da IA, avaliadas quanto à sensibilidade, especificidade e acurácia. A triagem híbrida apresentou melhor desempenho na localização dos tumores e foi a preferida pelos pacientes. A leitura exclusiva por IA, embora não inferior à dupla leitura tradicional, reduziu falsos-positivos, diminuiu a necessidade de consenso além de desempenho comparável ou superior ao de radiologistas na interpretação com tomossíntese digital (DBT). A interação entre IA e radiologista reforçou uma sinergia diagnóstica, ampliando a sensibilidade sem perda de especificidade. Além disso, a IA também se destacou na para redução do tempo de espera, alívio da sobrecarga de trabalho e acelerou o intervalo entre rastreamento e diagnóstico, embora ainda encontre desafios para sua plena incorporação aos PRM, como: risco de falsos-positivos e limitações de generalização dos algoritmos Conclusão: A IA mostra potencial para aprimorar os PRM, mas a ausência de evidências sólidas sobre o seu impacto na morbimortalidade reforça a necessidade de novos estudos multicêntricos e prospectivos em cenários reais