A integração de deep learning com ultrassonografia melhora a acurácia diagnóstica do câncer de mama em comparação com o ultrassom convencional?
Resposta curta: A meta-análise mostrou que a integração de deep learning com ultrassonografia tem alta acurácia no diagnóstico adjuvante do câncer de mama, com sensibilidade combinada de 0,93, especificidade de 0,90 e AUC de 0,732. O subgrupo multimodal teve melhor desempenho (AUC 0,787) que o B-mode (AUC 0,642).
Resposta
A revisão sistemática e meta-análise avaliou o desempenho diagnóstico de algoritmos de deep learning (DL) associados à ultrassonografia no diagnóstico do câncer de mama. Foram incluídos 20 estudos, totalizando 14.955 casos, dos quais 4.197 foram usados para teste dos modelos. A qualidade dos estudos foi avaliada pelo QUADAS-2 e pelo radiomics quality score (RQS).
Os resultados combinados mostraram sensibilidade de 0,93, especificidade de 0,90 e AUC de 0,732. Na análise de subgrupos, o subgrupo que utilizou ultrassonografia multimodal apresentou sensibilidade de 0,93, especificidade de 0,88 e AUC de 0,787, enquanto o subgrupo B-mode apresentou sensibilidade de 0,92, especificidade de 0,91 e AUC de 0,642. Esses achados sugerem que a fusão de DL com ultrassom multimodal pode ter desempenho superior ao B-mode isolado.
A heterogeneidade entre os estudos foi avaliada por valores de I^2 e teste Q, com análise de fontes por modelo de efeitos aleatórios. Curvas SROC foram usadas para a meta-análise. Viés de publicação foi avaliado por gráfico de funil. O resumo não detalha os resultados dessas análises de heterogeneidade e viés.
A conclusão dos autores é que a integração de DL com ultrassom demonstra alta acurácia no diagnóstico adjuvante do câncer de mama, e que a fusão com ultrassom multimodal exibe eficácia diagnóstica superior em comparação com B-mode isolado. Esses achados podem orientar a incorporação de ferramentas de apoio ao diagnóstico na prática clínica.
Para o médico, os resultados sugerem que sistemas de DL podem auxiliar na interpretação de exames de ultrassom, especialmente quando modalidades multimodais são empregadas. No entanto, a aplicação clínica requer validação externa e consideração das limitações metodológicas dos estudos incluídos.
O que o estudo mostrou
Revisão sistemática e meta-análise de 20 estudos publicados entre janeiro de 2017 e julho de 2023, incluindo 14.955 casos, dos quais 4.197 usados para teste dos modelos (1.582 pacientes com câncer de mama e 2.615 com lesões benignas ou outras). A sensibilidade combinada foi 0,93, especificidade 0,90 e AUC 0,732. O subgrupo multimodal teve sensibilidade 0,93, especificidade 0,88 e AUC 0,787; o subgrupo B-mode teve sensibilidade 0,92, especificidade 0,91 e AUC 0,642.
Limitações
O resumo não informa detalhes sobre as características dos estudos incluídos, como população, critérios de referência ou protocolos de imagem. Também não são apresentados os resultados da avaliação de heterogeneidade (I^2 e teste Q) nem do viés de publicação. A qualidade metodológica foi avaliada, mas os escores não são reportados. Essas lacunas limitam a generalização dos achados.
Aplicação no consultório
Os achados podem incentivar o uso de ferramentas de deep learning como apoio à interpretação de ultrassonografia mamária, especialmente com abordagem multimodal. Para a gestão do consultório, isso implica considerar a incorporação dessas tecnologias, avaliar custos e treinamento da equipe, e estar atento à necessidade de validação local. A decisão clínica deve permanecer integrada ao julgamento médico.
Estudo citado
Deep learning-based computer-aided detection of ultrasound in breast cancer diagnosis: A systematic review and meta-analysis. Clinical radiology, 2024.
Autores: Li H, Zhao J, Jiang Z.
DOI: 10.1016/j.crad.2024.08.002 · PubMed: PMID 39217049
Perguntas para aprofundar
- Qual é o desempenho diagnóstico de algoritmos de deep learning em ultrassonografia mamária multimodal comparado ao modo B isolado?
- Como a heterogeneidade entre estudos afeta a confiabilidade dos resultados de meta-análises sobre deep learning em câncer de mama?
- Quais são as limitações metodológicas dos estudos que avaliam deep learning no diagnóstico do câncer de mama por ultrassom?
Mais sobre IA em dermatologia
- A radiômica baseada em ultrassonografia é acurada para prever precocemente a resposta à quimioterapia neoadjuvante no câncer de mama?
- Modelos de aprendizado de máquina baseados em ultrassom são eficazes para prever a resposta à quimioterapia neoadjuvante no câncer de mama?
- A triagem de mamografias de rastreamento com inteligência artificial pode reduzir a carga de trabalho do radiologista sem prejudicar a sensibilidade?
- A ultrassonografia com inteligência artificial é precisa para predizer metástase linfonodal no câncer de mama?
- Qual é o valor preditivo do machine learning para recidiva de câncer de mama, segundo uma revisão sistemática e meta-análise?
Todas as perguntas sobre IA em dermatologia · Todos os temas · Versão em markdown