Um novo estudo publicado na revista Radiology demonstrou que algoritmos de inteligência artificial aplicados a mamografias de rastreamento conseguem acompanhar a evolução do risco de câncer de mama ao longo dos anos — e não apenas estimá-lo em um único momento. Ao rastrear como esse risco muda com o tempo, a IA oferece aos médicos uma ferramenta longitudinal para identificar precocemente as mulheres que podem se beneficiar de vigilância reforçada.
O que o estudo investigou
A previsão de risco tornou-se uma das aplicações mais promissoras da IA em imagem mamária. Há poucas semanas, outro trabalho mostrou que três modelos comerciais conseguiam antecipar o câncer de mama com até seis anos de antecedência — avanço que já abordamos em nossa cobertura sobre IA que prevê o risco de câncer de mama uma década antes. Pelo menos um modelo, o Clairity Breast, da empresa Clairity, recebeu autorização da FDA para a predição de risco baseada em imagem, e outros aguardam análise da agência.
A maioria desses estudos, porém, calcula o risco em um único ponto no tempo. Isso é útil, mas ignora um detalhe importante: o risco de uma mulher não é estático. Ele pode mudar conforme fatores como a densidade do tecido mamário, que sabidamente se altera ao longo da vida e influencia diretamente o perfil de risco. Para preencher essa lacuna, os autores acompanharam o risco de forma longitudinal usando o Mirai, um algoritmo de código aberto já validado em estudos anteriores como mais preciso do que modelos clínicos tradicionais, como o Tyrer-Cuzick e o BCRAT.
Metodologia e principais números
Os pesquisadores aplicaram retrospectivamente o Mirai a cerca de 54 mil mulheres que realizaram mamografias entre 2009 e 2019. Em seguida, compararam a variação dos escores de risco entre as que desenvolveram câncer e as que permaneceram saudáveis. Os resultados foram nítidos e clinicamente plausíveis:
- Entre as mulheres posteriormente diagnosticadas, o escore mediano de risco seis anos antes do diagnóstico subiu de 2,1 para 6,6.
- Nas mulheres que permaneceram livres de câncer, os escores ficaram praticamente estáveis (de 1,8 para 2,2).
- A taxa de aumento anual do risco foi muito maior no grupo com câncer (1,13 ao ano) do que no grupo sem câncer (0,09 ao ano).
As mulheres que desenvolveram a doença tendiam a ser mais velhas e a apresentar mamas densas ou histórico pessoal ou familiar de câncer de mama — perfis que reforçam a coerência clínica dos achados. Mais do que o valor isolado do escore, foi a trajetória de subida que separou os dois grupos.
O que a IA realmente enxerga
Surge então a pergunta inevitável: o que o algoritmo está detectando se o câncer ainda não é visível para o radiologista que lê a mamografia? A explicação mais provável é que a IA percebe mudanças sutis nos padrões do tecido parenquimatoso da mama — alterações que, nas palavras dos autores, “podem preceder a detecção radiográfica”. Na prática, esses padrões funcionam como biomarcadores de imagem. É aqui que, a meu ver, mora o valor real da tecnologia: ela transforma a mamografia, hoje usada sobretudo para encontrar lesões já formadas, em um sensor capaz de sinalizar tendências antes que algo se torne palpável ou visível ao olho humano.
Implicações para a prática clínica
Para o radiologista e para o serviço de rastreamento, a leitura longitudinal abre caminho para intervalos de rastreamento personalizados, modalidades complementares — como ressonância magnética ou ultrassom — e estratégias preventivas sob medida. Em vez de tratar todas as mulheres com a mesma cadência bienal, seria possível intensificar o acompanhamento exatamente daquelas cujo escore vem subindo de forma consistente, ao mesmo tempo em que se evita sobrecarregar quem mantém risco estável. Essa estratificação dinâmica conversa diretamente com a tendência de medicina personalizada que vem ganhando força e que também aparece quando analisamos os principais fornecedores de IA já aprovados pela FDA.
No contexto brasileiro, em que a capacidade de rastreamento ainda é desigual entre regiões, ferramentas que ajudam a priorizar quem realmente precisa de exames adicionais podem otimizar recursos escassos sem ampliar de forma indiscriminada o número de exames. O ganho não é apenas clínico, mas também de gestão.
Perspectivas e limitações
Vale a cautela de sempre: trata-se de um estudo retrospectivo, e a validação prospectiva em populações diversas é o próximo passo natural antes de qualquer adoção em larga escala. Também é preciso garantir que esses modelos mantenham desempenho consistente entre diferentes equipamentos, etnias e faixas etárias. Ainda assim, o trabalho avança de forma consistente nossa compreensão de como o risco pode ser calculado muito antes de um diagnóstico — e é fácil imaginar esse conhecimento traduzido em intervenções mais precoces, exatamente o tipo de promessa que define a ascensão da medicina personalizada na radiologia.
Fonte: The Imaging Wire
