A inteligência artificial aplicada à mamografia pode identificar sinais sutis de câncer de mama até dez anos antes do diagnóstico clínico. É o que indica um amplo estudo sueco publicado na revista Radiology, no qual três algoritmos comerciais — criados originalmente para detecção — se mostraram capazes de estimar o risco individual muito antes de a doença se tornar visível ao radiologista.
Antecipar quem tem maior probabilidade de desenvolver a doença não serve apenas para diagnosticar mais cedo. Abre caminho para um rastreamento sob medida, concentrando exames complementares e vigilância mais frequente nas mulheres que realmente se beneficiariam. Calculadoras clínicas como o modelo Tyrer-Cuzick e a análise de densidade mamária já tentam fazer isso, mas têm desempenho limitado. A novidade aqui é usar a própria imagem do rastreamento, lida por IA, como preditor.
O que o estudo sueco revelou
Os pesquisadores analisaram 89 mil mamografias de 31,4 mil mulheres acompanhadas ao longo de dez anos, dentro do programa nacional de rastreamento da Suécia — onde mulheres de 40 a 74 anos fazem mamografia bienal interpretada por dois radiologistas. Durante o período, 12,1 mil participantes (39%) acabaram diagnosticadas com câncer de mama, um conjunto de dados robusto o suficiente para testar a hipótese com seriedade estatística.
Três algoritmos comerciais geraram os escores: Vara AI (da Vara), Lunit Insight MMG (da Lunit) e MammoScreen (da Therapixel). Vale destacar que todos foram concebidos para detecção de câncer, e não para predição de risco. Ainda assim, nas mulheres que mais tarde desenvolveram a doença, os escores subiram de forma progressiva a cada novo exame, enquanto permaneceram relativamente estáveis entre as que continuaram livres do câncer.
Os números impressionam. Com a especificidade fixada em 90%, os sistemas sinalizaram de 19% a 20% dos casos futuros seis anos antes do diagnóstico. A detecção subiu para 23% a 25% quatro anos antes e para 35% a 39% dois anos antes. Mesmo uma década antes, os algoritmos já apontavam de 13% a 17% dos cânceres que viriam a surgir.
Mais do que o valor absoluto em um único exame, o que chamou a atenção foi a trajetória: um escore que sobe exame após exame funciona como um alarme silencioso. Essa leitura sequencial — comparar o escore atual de cada mulher com os anteriores — pode ser mais informativa do que qualquer medição isolada e se encaixa naturalmente no histórico longitudinal que os programas de rastreamento já mantêm.
Como a IA enxerga o risco antes do radiologista
Ao longo de todos os exames pré-diagnóstico, os algoritmos alcançaram valores de AUC entre 0,63 e 0,67, superando a densidade mamária isolada, que ficou em 0,57. Pode parecer uma diferença modesta, mas em rastreamento populacional cada ponto de acurácia se traduz em milhares de mulheres melhor estratificadas. O que a IA parece captar são padrões texturais e arquiteturais sutis — distribuições de densidade, microestruturas e assimetrias — que escapam à leitura humana convencional e antecedem qualquer lesão definida.
Esse comportamento converge com outra fronteira da área: os modelos de base treinados em grandes volumes de imagens. Já discutimos como os modelos de visão-linguagem aplicados à mamografia ampliam o que se pode extrair de um único exame. Aqui, a lógica é parecida: o escore não é um simples “tem ou não tem câncer”, mas um sinal contínuo que evolui no tempo.
Implicações para o rastreamento e para a prática no Brasil
Para o radiologista e para o gestor de serviços de imagem, a mensagem é prática: a IA pode deixar de ser apenas uma segunda leitura e passar a orientar quando e com que intensidade rastrear cada mulher. Em vez do intervalo fixo para todas, surge a possibilidade de personalizar a periodicidade e indicar exames suplementares — como ressonância ou ultrassom — para as de escore elevado.
No Brasil, onde a cobertura mamográfica ainda é desigual e os recursos são limitados, essa estratificação pode ajudar a direcionar a capacidade instalada para quem mais precisa. A mesma tecnologia que hoje é usada para triar mamografias de baixo risco e aliviar a dupla leitura poderia, no futuro, sinalizar precocemente as pacientes de alto risco, fechando o ciclo entre eficiência e segurança.
Na prática diária, o ganho só se concretiza se o escore chegar ao fluxo de trabalho. Isso significa integrar o resultado da IA ao PACS e ao laudo estruturado, de modo que o radiologista veja a evolução do risco junto com as imagens, sem alternar entre sistemas. É a mesma lógica da radiologia oportunística, em que dados já capturados no exame são reaproveitados para gerar informação clínica adicional sem custo de aquisição.
Limitações e perspectivas
É preciso cautela. Os três algoritmos não foram desenhados para predizer risco, e os autores reforçam que validação prospectiva ainda é necessária antes de qualquer uso clínico em larga escala. Há também questões de calibração entre diferentes populações, equipamentos e protocolos — um escore treinado na Suécia não necessariamente se transfere sem ajuste para a realidade brasileira.
Mesmo assim, o estudo soma-se a um corpo crescente de evidências de que a IA em mamografia pode ir além da detecção e atuar na estratificação de risco de longo prazo. Ao reconhecer padrões anos antes do diagnóstico, esses escores oferecem uma camada adicional de monitoramento longitudinal e abrem espaço para estratégias de rastreamento verdadeiramente personalizadas.
