Inteligência artificial pode reduzir falhas na detecção do câncer de mama em mamografias

Esta pesquisa contém um glossário ao fim, que explica os termos técnicos empregados no texto, mantidos para fortalecer a precisão conceitual da notícia 

Uma revisão da literatura científica sobre o uso de inteligência artificial (IA) na interpretação de mamografias aponta que algoritmos baseados em aprendizado profundo (deep learning) podem contribuir para reduzir falsos negativos no rastreamento do câncer de mama. O estudo, desenvolvido por Andrés Marques Rodrigues, médico graduado pela Universidade do Vale do Taquari – Univates, em parceria com Luísa Cardozo Borsato, Fernanda Ceron Damiani e Valentina Carvalho Haddad Avezum, examinou evidências publicadas entre 2015 e 2025 sobre o desempenho dessas tecnologias. O trabalho foi publicado em fevereiro de 2026 na Revista Colombiana de Ciências e Humanidades (REHCOL).

O problema que motiva a pesquisa 

O artigo parte de um problema importante no contexto do rastreamento mamográfico: mesmo sendo uma ferramenta fundamental para o diagnóstico precoce, a mamografia não consegue identificar todos os tumores existentes. Segundo o estudo, o câncer de mama permanece como a neoplasia maligna mais diagnosticada e a principal causa de morte por câncer entre mulheres no mundo. No Brasil, o Instituto Nacional de Câncer (Inca) estimou 73.610 novos casos para 2025. A mamografia, quando realizada com rigor técnico e interpretada adequadamente, pode reduzir a mortalidade por câncer de mama em aproximadamente 20% a 40% entre mulheres na faixa etária de rastreamento.

O problema está nas limitações do próprio exame e de sua interpretação. A mamografia produz imagens bidimensionais de uma estrutura tridimensional e sua sensibilidade varia conforme a densidade do tecido mamário. Em mamas extremamente densas, por exemplo, a sensibilidade pode cair para menos de 50%, enquanto em mamas adiposas pode superar 85%. O tecido fibroglandular pode produzir um efeito de mascaramento, dificultando a visualização de lesões.

As limitações podem resultar nos chamados falsos negativos, situações em que um câncer existente não é identificado no exame. O artigo caracteriza esses casos como uma oportunidade perdida de diagnóstico precoce, com consequências clínicas, psicológicas e econômicas. Muitos desses tumores acabam sendo diagnosticados entre dois exames programados e recebem a denominação de cânceres de intervalo. Segundo a revisão, esses cânceres tendem a ser biologicamente mais agressivos, maiores e apresentar maior comprometimento linfonodal no momento do diagnóstico.

Da detecção assistida por computador ao aprendizado profundo

O estudo analisa uma mudança tecnológica ocorrida na radiologia nas últimas décadas. Os primeiros sistemas de Detecção Assistida por Computador, conhecidos pela sigla CAD (em Inglês), utilizavam regras previamente estabelecidas para procurar características como brilho, circularidade e contraste nas imagens. Apesar da expectativa de que essas ferramentas ajudassem os radiologistas, a baixa especificidade produzia grande quantidade de falsos positivos.

O excesso de alertas poderia gerar um efeito contrário ao desejado: os profissionais passavam a considerar muitas marcações como ruído e, consequentemente, poderiam ignorar alertas relevantes. O artigo observa que estudos anteriores chegaram a demonstrar que o CAD tradicional não melhorava a performance diagnóstica global e, em alguns casos, poderia até prejudicá-la.

A nova geração de sistemas utiliza inteligência artificial baseada em Deep Learning, ou aprendizado profundo, especialmente por meio das Redes Neurais Convolucionais (CNNs). Diferentemente dos sistemas tradicionais, essas redes não dependem exclusivamente de regras matemáticas definidas previamente. Elas aprendem características relevantes diretamente a partir de grandes conjuntos de imagens.

De acordo com o estudo, as diferentes camadas de uma CNN conseguem identificar desde elementos simples, como bordas e gradientes de textura, até padrões mais complexos, como distorções arquiteturais, assimetrias e características associadas à malignidade. Assim, a capacidade permite que a IA analise, além dos pontos isolados, o contexto do parênquima mamário.

Evidências apontam para maior detecção

A revisão que foi realizada reuniu evidências de ensaios clínicos e estudos de validação considerados robustos. Entre os resultados apresentados está o estudo publicado na revista Nature por McKinney e colaboradores, em 2020. Na comparação entre um sistema de IA do Google Health e radiologistas, foram observadas reduções absolutas de falsos negativos de 9,4% na coorte dos Estados Unidos e de 2,7% na do Reino Unido. O sistema também apresentou desempenho superior ao de seis radiologistas certificados em uma leitura controlada.

Outro resultado destacado é o ensaio clínico MASAI, realizado na Suécia e publicado em 2023. A pesquisa comparou a leitura convencional por dois radiologistas com a leitura apoiada por IA. A taxa de detecção de câncer foi de 6,1 casos para cada mil exames no grupo que utilizou IA, contra 5,1 por mil no grupo de controle, representando aumento de aproximadamente 20%. O estudo também registrou redução de 44% na carga de trabalho de leitura.

A capacidade de identificar cânceres de intervalo aparece como um dos achados de maior relevância. Uma análise retrospectiva mencionada no artigo avaliou mamografias anteriores de mulheres posteriormente diagnosticadas com esse tipo de câncer. O sistema de IA sinalizou corretamente 76% dos exames que haviam sido originalmente considerados normais pelos radiologistas. Entre esses casos, identificou 90% dos erros de leitura considerados óbvios e 69% dos cânceres classificados como ocultos ou invisíveis ao olho humano naquele momento.

No resumo do artigo, os autores sintetizam esse potencial afirmando que estudos pivotais indicam que a IA pode identificar “até 30% dos cânceres de intervalo previamente não detectados” e manter desempenho não inferior ao de um segundo leitor humano em determinadas estratégias de utilização.

Mamas densas continuam sendo um desafio

A densidade mamária é apontada como uma das principais limitações do rastreamento. Nas categorias BI-RADS C e D (sistema padronizado utilizado na avaliação e classificação de achados em exames de imagem da mama), correspondentes, respectivamente, a mamas heterogeneamente densas e extremamente densas, o tecido pode dificultar a distinção entre estruturas normais e alterações suspeitas. A revisão cita evidências segundo as quais a probabilidade de falso negativo é quase duas vezes maior em mamas extremamente densas do que em mamas adiposas, com odds ratio (razão de probabilidade) de 1,86.

Nesse cenário, os algoritmos de IA podem contribuir de diferentes maneiras. Uma delas é a classificação da densidade mamária, reduzindo a variabilidade entre observadores e favorecendo o encaminhamento para estratégias complementares de rastreamento quando indicado. Outra é o direcionamento da atenção do radiologista para regiões potencialmente suspeitas que poderiam ser confundidas com alterações normais decorrentes da sobreposição dos tecidos.

Os autores, entretanto, estabelecem um limite. A IA não elimina as limitações físicas da mamografia. Quando a informação radiográfica não está disponível porque os tecidos atenuaram completamente os raios X, o algoritmo não consegue criar dados inexistentes. Sua vantagem está em extrair de maneira mais eficiente as informações que efetivamente estão presentes na imagem.

Tecnologia precisa ser integrada com cautela

A revisão também demonstra que o desempenho de um algoritmo não depende apenas de sua capacidade técnica. A forma como a ferramenta é incorporada ao fluxo de trabalho clínico pode alterar seus resultados.

Entre os modelos discutidos está o uso da IA como segundo leitor, no qual a ferramenta funciona como uma camada adicional de verificação. Nesse formato, uma lesão não identificada pelo profissional pode ser apontada pelo algoritmo, enquanto uma falha da IA pode ser compensada pela análise humana. Outro modelo é a triagem, em que os exames são classificados conforme a probabilidade de malignidade e os casos de maior risco recebem atenção prioritária.

Há, contudo, riscos. Um deles é o viés de automação, quando o profissional passa a confiar excessivamente na recomendação da máquina. O estudo de Dratsch e colaboradores, citado na revisão, mostrou que radiologistas menos experientes poderiam alterar laudos inicialmente corretos para concordar com uma IA equivocada. Quando o algoritmo apresentava um falso negativo, a acurácia diagnóstica desses profissionais caiu de aproximadamente 80% para 20%.

Outro desafio é a generalização algorítmica. Sistemas treinados em determinadas populações, equipamentos ou características epidemiológicas podem apresentar desempenho inferior quando utilizados em contextos diferentes. Por isso, o estudo considera a validação externa local, com dados do próprio serviço de saúde, um requisito de segurança antes da implementação ampla.

A revisão também aborda o caráter de “caixa preta” de algumas CNNs, cuja lógica interna pode ser difícil de interpretar. Nesse contexto, ferramentas de inteligência artificial explicável, como mapas de calor, podem auxiliar o radiologista a compreender visualmente por que determinada região foi considerada suspeita.

Uma ferramenta de inteligência aumentada

O trabalho foi estruturado como uma Revisão Narrativa da Literatura, com abordagem predominantemente crítica e qualitativa. Foram consultadas as bases PubMed/MEDLINE, Scopus e ClinicalTrials.gov, concentrando-se principalmente em estudos publicados entre 2015 e 2025. A seleção priorizou ensaios clínicos randomizados, estudos multicêntricos de validação externa com grandes coortes, comparações entre leitura humana e leitura assistida por IA e artigos publicados em periódicos de referência em radiologia e oncologia.

Os pesquisadores analisaram indicadores como sensibilidade, especificidade, área sob a curva ROC (AUC), taxa de detecção de câncer, taxa de recall e desempenho conforme a densidade mamária. Também foram considerados fatores humanos, como viés de automação e aspectos da ergonomia cognitiva.

A conclusão é que a inteligência artificial baseada em Deep Learning alcançou maturidade suficiente para justificar sua integração ao rastreamento mamográfico, desde que acompanhada de validação e monitoramento. Como sintetizam os autores, a IA deve ser compreendida como uma ferramenta de “Inteligência Aumentada”. A tecnologia pode funcionar como uma segunda camada de segurança, ajudando a identificar alterações sutis e reduzindo a possibilidade de que cânceres sejam perdidos durante o rastreamento. Ao mesmo tempo, sua adoção precisa considerar limitações técnicas, vieses e diferenças entre populações.

O estudo aponta, ainda, para uma próxima etapa da evolução tecnológica, esta sendo a integração da análise das imagens com informações clínicas e genômicas, permitindo construir modelos de risco mais personalizados. A perspectiva apresentada é de uma medicina em que a IA não substitua a decisão clínica, mas amplie a capacidade humana de interpretar dados complexos.

Glossário

AUC (Área sob a Curva ROC) — métrica utilizada para avaliar a capacidade de um modelo diagnóstico de distinguir entre casos com e sem determinada condição.

BI-RADS — sistema padronizado utilizado na avaliação e classificação de achados em exames de imagem da mama, incluindo a classificação da densidade mamária.

Câncer de intervalo — tumor diagnosticado clinicamente entre dois exames de rastreamento programados.

CNN (Rede Neural Convolucional) — arquitetura de inteligência artificial especialmente utilizada no processamento de imagens, capaz de aprender padrões diretamente dos dados.

Deep Learning (aprendizado profundo) — subcampo da inteligência artificial baseado em redes neurais com múltiplas camadas capazes de aprender representações complexas a partir de grandes volumes de dados.

Falso negativo — resultado em que um exame ou sistema não identifica uma doença que está efetivamente presente.

Falso positivo — resultado em que um exame ou sistema indica suspeita de doença quando a alteração não corresponde a um câncer ou outra condição investigada.

IA (Inteligência Artificial) — conjunto de métodos computacionais capazes de executar tarefas associadas à análise, reconhecimento de padrões e tomada de decisões.

Inteligência Aumentada — conceito utilizado no estudo para caracterizar a integração entre sistemas de IA e profissionais humanos, com a tecnologia atuando como apoio à decisão e não como substituta do especialista.

Mamografia — exame radiográfico utilizado para produzir imagens das mamas e realizar o rastreamento e a investigação de alterações suspeitas.

Mamas densas — mamas com maior proporção de tecido fibroglandular, condição que pode dificultar a identificação de lesões na mamografia.

Recall — taxa de exames de rastreamento chamados para avaliação complementar após a identificação de algum achado suspeito.

Sensibilidade — capacidade de um exame ou modelo de identificar corretamente indivíduos que apresentam a doença.

Especificidade — capacidade de um exame ou modelo de identificar corretamente indivíduos que não apresentam a doença.

Viés de automação — tendência de uma pessoa confiar excessivamente na recomendação de um sistema automatizado, inclusive quando essa recomendação está incorreta.

Validação externa — processo de avaliação do desempenho de um algoritmo em dados diferentes daqueles utilizados em seu desenvolvimento ou treinamento, permitindo verificar sua capacidade de generalização.