Mamografia com inteligência artificial podem detectar câncer de mama até seis anos antes

13 de agosto de 2026 (Bibliomed). Três sistemas de mamografia baseados em IA foram capazes de identificar sinais sutis de futuro câncer de mama anos antes do diagnóstico, com pontuações elevadas de previsão de câncer observadas naquelas que posteriormente desenvolveram a doença.

Pesquisadores do Hospital Universitário Karolinska, na Suécia, analisaram 88.963 mamografias de mais de 31.000 participantes, coletadas ao longo de um período de 10 anos, entre 2008 e 2019, por meio do banco de dados Validation of Artificial Intelligence for Breast Imaging (Validação de Inteligência Artificial para Imagem da Mama). Este banco de dados inclui informações de imagem da mama de voluntárias em 4 regiões da Suécia.

Durante o período do estudo, 12.072 mulheres foram diagnosticadas com câncer de mama após exames de rotina realizados por radiologistas.

Os pesquisadores aplicaram 3 sistemas de detecção assistida por computador (CAD) baseados em IA, disponíveis comercialmente, às mamografias históricas e avaliaram se as ferramentas conseguiam identificar sinais sutis de câncer antes do diagnóstico pelos radiologistas.

Os sistemas de IA foram capazes de identificar uma proporção de futuros casos de câncer vários anos antes do diagnóstico, mantendo uma taxa de especificidade de 90%. Isso significa que eles distinguiram corretamente a maioria das pessoas sem câncer daquelas que posteriormente desenvolveriam a doença.

Notavelmente, os sistemas de IA identificaram potenciais anormalidades relacionadas ao câncer em até 19,7% das mulheres 6 anos antes do diagnóstico. Assim, aproximadamente 1 em cada 5 casos de câncer de mama pode apresentar características mamográficas detectáveis por IA cerca de 6 anos antes de serem reconhecidas pelos métodos de rastreamento padrão. Os sistemas de IA também foram capazes de detectar sinais precoces de câncer de mama em até 25,2% e 39,3% das mulheres 4 e 2 anos antes do diagnóstico, respectivamente.

Fonte: Radiology. DOI: 10.1148/radiol.251309.