Lauritzen, A. D., Lillholm, M., Lynge, E., Nielsen, M., Karssemeijer, N., & Vejborg, I. (2024). Early Indicators of the Impact of Using AI in Mammography Screening for Breast Cancer. Radiology, 311(3), e232479. DOI: 10.1148/radiol.232479

📌 Resumo e Questões Estimulantes

Resumo Detalhado:
O estudo avaliou a implementação do sistema de IA Transpara em um programa dinamarquês de rastreamento mamográfico do câncer de mama, comparando 60.751 mulheres (pré-IA) e 58.246 mulheres (pós-IA). Principais resultados:

• Redução de 33,5% na carga de trabalho dos radiologistas.
• Aumento de 17% na detecção de câncer (0,70% para 0,82%; P = 0,01).
• Redução de 32% em falsos positivos (2,39% para 1,63%; P < 0,001).
• Mais cânceres pequenos detectados (≤1 cm: 36,6% para 44,9%; P = 0,02).

Questões Estimulantes:

1. Como equilibrar a automação da IA com a supervisão humana para evitar over-diagnóstico?
2. A IA pode substituir métodos suplementares (ex.: ultrassom) em mamas densas?
3. Quais são os riscos éticos da dependência excessiva de algoritmos em saúde?

🗝️ Descomplicando os Conceitos Principais

Introdução:
A IA está revolucionando o rastreamento mamográfico ao otimizar a triagem de exames “normais” e priorizar casos complexos. O estudo demonstra ganhos em eficiência e precisão, mas levanta debates sobre diagnóstico excessivo de lesões não invasivas (CDIS).

Dimensões do Tema:

• Estratificação de risco: IA classifica exames como “normais” (leitura única) ou “suspeitos” (leitura dupla com apoio de IA).
• Impacto clínico: Detecção precoce de tumores pequenos vs. aumento de CDIS.
• Desafios: Integração harmoniosa entre IA e expertise humana.

Considerações Práticas:

Integração Prática:

• Hospitais podem adotar IA para reduzir tempo de análise em até 30%.
• Treinamento de radiologistas para interpretar outputs da IA criticamente.

Figura 1: Diagrama de fluxo do processo de inclusão e exclusão para a coorte de mulheres rastreadas (A) antes da implementação de um sistema de inteligência artificial (IA) e (B) após a implementação do sistema de IA para rastreamento mamográfico.

Figura 2: O diagrama de fluxo descreve os protocolos de leitura de mamografia (A) antes de um sistema de inteligência artificial (IA) ser implementado na triagem e (B, C) depois que o sistema de IA foi implementado com (B) o limite de pontuação de exame de IA original (antes de 3 de maio de 2022) ou (C) mais alto (em ou após 3 de maio de 2022) para selecionar triagens para leitura única.

Figura 3: Taxas de detecção de câncer em todas as categorias de densidade do Breast Imaging Reporting and Data System (BI-RADS), conforme atribuído pelo segundo radiologista sênior.

Figura 4: Imagem mamográfica digital de campo total oblíqua mediolateral esquerda em uma mulher de 67 anos com densidade de 1 no Breast Imaging Reporting and Data System que passou por triagem com o sistema de inteligência artificial (IA). (A) A imagem mostra a marcação fornecida pela IA (quadrado). A triagem recebeu uma pontuação alta de 10 no exame de IA, com base nessa área com calcificações arteriais recebendo uma pontuação de 85 em 100 pelo sistema de IA. (B) Mesma imagem de A , mas com achados dos radiologistas. Devido à alta pontuação do exame de IA, a triagem foi lida duas vezes por dois radiologistas, que determinaram que as calcificações arteriais (círculo) não geravam suspeitas de câncer de mama. A mulher não foi chamada de volta para avaliação diagnóstica.

Figura 5: Imagens em uma mulher que tinha uma densidade de 1 no Breast Imaging Reporting and Data System e tinha 62 anos quando foi submetida à triagem com o sistema de inteligência artificial (IA). A triagem recebeu uma pontuação baixa de 2 no exame de IA; portanto, uma única leitura foi conduzida por um radiologista sênior. O sistema de IA não detectou nenhuma lesão suspeita. (A) A visão mamográfica digital de campo total oblíqua mediolateral direita mostra lesão suspeita (círculo, A1) identificada pelo radiologista sênior. (B) A visão correspondente da rodada de triagem anterior mostra que a lesão não era visível naquele momento. O tecido estava consideravelmente alterado na aparência no momento da triagem do estudo, o que levou ao recall. (C) A imagem de US recortada mostra um carcinoma ductal invasivo de 25 mm (linha) que foi observado durante o exame diagnóstico.

Figura 6: Imagens em uma mulher que tinha uma densidade de 2 no Breast Imaging Reporting and Data System e tinha 57 anos quando foi submetida à triagem com o sistema de inteligência artificial (IA). (A) A visão mamográfica digital de campo total oblíqua mediolateral direita mostra a marcação fornecida pela IA (quadrado). A triagem recebeu uma pontuação alta de 10 no exame de IA com base nessa lesão com uma pontuação de 89 em 100. (B) Mesma imagem de A , mas com achados dos radiologistas. Devido à alta pontuação do exame de IA, a triagem foi lida duas vezes por dois radiologistas, que marcaram a mesma lesão (oval, A1) que o sistema de IA, o que levou à revogação. (C) A imagem cortada do US mostra um pequeno carcinoma invasivo (linha) (4 × 7 mm) que foi observado durante o diagnóstico.

Direções Futuras:

• Validar resultados com dados de cânceres de intervalo (2024-2026).
• Explorar IA em populações de alto risco (ex.: mamas densas, mutações BRCA).

🆚 Análise Comparativa com Fontes Externas

❌ Fact Check

1. Claim: “IA reduziu a carga de trabalho em 33,5%.”
   • Status: ✅ Fato
   • Resumo do Artigo Externo: Elhakim et al. (2024) validam redução de 44,3% ao substituir dupla leitura por IA.
   • Acesso: DOI: 10.1148/ryai.230529
2. Claim: “Aumento de CDIS indica overdiagnóstico.”
   • Status: ⚠️ Contexto
   • Resumo do Artigo Externo: Frazer et al. (2024) questionam relevância clínica de CDIS detectados por IA.
   • Acesso: DOI: 10.1038/s41467-024-51725-8
3. Claim: “IA substitui ultrassom em mamas densas.”
   • Status: ❌ Falso
   • Resumo do Artigo Externo: Ha et al. (2024) mostram que US ainda é essencial para mamas densas.
   • Acesso: DOI: 10.1148/radiol.233391
4. Claim: “Radiologistas confiam plenamente na IA.”
   • Status: ❌ Falso
   • Resumo do Artigo Externo: Högberg et al. (2024) destacam desconfiança em decisões autônomas da IA.
   • Acesso: DOI: 10.1177/20552076241287958
5. Claim: “IA detecta todos os cânceres de intervalo.”
   • Status: ❌ Falso
   • Resumo do Artigo Externo: Nanaa et al. (2024) revelam que 15% dos cânceres de intervalo escapam à IA.
   • Acesso: DOI: 10.1148/radiol.232303

🔍 Perspective Research (Visões Diversificadas)

1. Högberg et al. (2024):

• Título: Radiologistas suecos e confiança na IA
• DOI: 10.1177/20552076241287958
• Insight: Radiologistas exigem transparência nos algoritmos para confiar na IA.

1. Carter et al. (2024):

• Título: Opiniões de mulheres sobre IA no rastreamento
• DOI: 10.1016/j.breast.2024.103783
• Insight: Pacientes preferem IA como suporte, não substituto de radiologistas.

1. Johansson et al. (2024):

• Título: “Humanos pensam além dos pixels”
• DOI: 10.1177/14604582241275020
• Insight: Contexto clínico é insubstituível na interpretação de exames.

🔎 Linha do Tempo (Evolução dos Estudos)

📌 Conclusão e Recomendações

Conclusão Geral:
A IA otimiza o rastreamento mamográfico, reduzindo carga de trabalho e aumentando precisão, mas exige cautela para evitar overdiagnóstico e garantir supervisão humana.

Recomendações Práticas:

1. Para serviços de saúde: Implementar IA como ferramenta de triagem, mantendo dupla leitura para casos complexos.
2. Para pesquisadores: Priorizar estudos sobre cânceres de intervalo e impacto a longo prazo do CDIS.
3. Para pacientes: Promover educação sobre o papel da IA no rastreamento.

📋 FAQ: Perguntas Frequentes

1. A IA substituirá radiologistas?

• Não. A IA auxilia na triagem, mas decisões finais exigem expertise humana.

1. A IA é confiável em mamas densas?

• Ainda não. Estudos como Ha et al. (2024) recomendam ultrassonogrfia complementar.

📄 Acesse o Artigo Completo

🔗 Early Indicators of the Impact of Using AI in Mammography Screening for Breast Cancer