Inteligência Artificial no Rastreamento de Câncer de Mama por Mamografia

O câncer de mama (CM) é o câncer mais comum entre as mulheres em todo o mundo e a segunda principal causa de morte relacionada ao câncer.

Como a pedra angular da triagem de CM, a mamografia é reconhecida como uma das modalidades de imagem úteis para reduzir a mortalidade por CM, em virtude da detecção precoce de BC. No entanto, a interpretação da mamografia é uma avaliação inerentemente subjetiva e propensa a sobrediagnósticos.

Nos últimos anos, os sistemas de inteligência artificial (IA)-Computer Aided Diagnosis (CAD), caracterizados por algoritmos de aprendizado profundo incorporados, entraram no campo da triagem de BC como um auxílio para o radiologista, com o objetivo de otimizar o sistema CAD convencional com fraqueza de extração de características artesanais. Por enquanto, o desempenho autônomo de novas ferramentas AI-CAD demonstrou precisão e eficiência promissoras no diagnóstico de BC, em grande parte atribuída à utilização de redes neurais de convolução (CNNs), e algumas delas já atingiram o nível de radiologista. Por outro lado, o desempenho dos radiologistas na triagem de CM mostrou ser aprimorado, aproveitando o sistema AI-CAD como ferramenta de suporte à decisão. À medida que aumenta a implementação do sistema AI-CAD comercial, uma avaliação robusta de sua utilidade e custo-efetividade em circunstâncias clínicas deve ser realizada em cenários que imitam a vida real antes da ampla adoção, como outras tecnologias emergentes e promissoras. Isso requer a validação de sistemas AI-CAD na triagem de BC em conjuntos de dados múltiplos, diversos e representativos e também para estimar a interface entre o leitor e o sistema. Este estudo proposto busca investigar o desempenho diagnóstico de câncer de mama do sistema AI-CAD usado para leitura de mamografias. Neste trabalho, empregaremos uma ferramenta AI-CAD disponível comercialmente baseada em algoritmos de aprendizado profundo (IBM Watson Imaging AI Solution) para identificar e caracterizar as lesões mamárias suspeitas em mamografias. As lesões cancerígenas potenciais podem ser rotuladas e suas características mamográficas e probabilidade de malignidade serão relatadas automaticamente. Após o pós-processamento de IA, realizaremos análises estatísticas para determinar a precisão do sistema AI-CAD para previsão de risco BC.