Algoritmos de aprendizado de máquina em rastreamento mamográfico têm desempenho comparável ou superior ao dos leitores humanos?
Resposta curta: Sim, segundo esta revisão sistemática com meta-análise, algoritmos de aprendizado de máquina aplicados de forma autônoma no fluxo de rastreamento mamográfico alcançam ou superam o desempenho de detecção de leitores humanos e podem melhorar a eficiência. No entanto, as evidências vêm de poucos estudos retrospectivos, sendo necessário teste prospectivo externo rigoroso.
Resposta
A revisão sistemática com meta-análise avaliou o desempenho de aplicações autônomas de aprendizado de máquina (ML) no fluxo de trabalho do rastreamento mamográfico. Foram incluídos artigos que detalharam estudos de detecção autônoma e de triagem. A meta-análise principal incluiu casos de três países e mais de 39 leitores, comparando o melhor algoritmo de cada estudo com o desempenho dos leitores correspondentes.
Os resultados mostraram que os algoritmos apresentaram sensibilidade agrupada de 75,4% (IC 95%: 65,6–83,2), especificidade de 90,6% (IC 95%: 82,9–95,0) e AUC de 0,89 (IC 95%: 0,84–0,98). Os leitores humanos apresentaram sensibilidade de 73,0% (IC 95%: 60,7–82,6), especificidade de 88,6% (IC 95%: 72,4–95,8) e AUC de 0,85 (IC 95%: 0,78–0,97). Assim, os algoritmos alcançaram ou superaram ligeiramente o desempenho humano.
Os estudos de triagem relataram que 17% a 91% das mamografias normais identificadas poderiam ser lidas por triagem adaptada, enquanto 0% a 7% dos cânceres seriam "perdidos" nesse processo. Isso sugere potencial para aumentar a eficiência do fluxo de trabalho, priorizando casos suspeitos e reduzindo a carga de leitura de exames normais.
A conclusão dos autores é que algoritmos de ML com aplicação autônoma em fluxos de rastreamento mamográfico atingem ou superam o desempenho de detecção humano e melhoram a eficiência. Contudo, a evidência é limitada a um pequeno número de estudos retrospectivos, sendo necessário teste prospectivo externo rigoroso com limiares pré-definidos para confirmar esses achados.
Para o médico, esses dados indicam que a tecnologia pode auxiliar na priorização de exames e na redução de falsos positivos, mas ainda não há evidências suficientes para substituir completamente a leitura humana. A implementação clínica deve ser cautelosa, aguardando validação prospectiva independente.
O que o estudo mostrou
Revisão sistemática e meta-análise que incluiu artigos detalhando estudos de detecção autônoma e de triagem. A meta-análise principal incluiu casos de três países e mais de 39 leitores. Algoritmos de ML apresentaram sensibilidade de 75,4%, especificidade de 90,6% e AUC de 0,89, enquanto leitores humanos tiveram sensibilidade de 73,0%, especificidade de 88,6% e AUC de 0,85. Estudos de triagem relataram que 17%-91% das mamografias normais poderiam ser lidas por triagem adaptada, com 0%-7% de cânceres "perdidos".
Limitações
O resumo informa que a evidência provém de um pequeno número de estudos retrospectivos. Não são detalhadas limitações específicas de amostragem ou vieses individuais. Os autores destacam a necessidade de testes prospectivos externos rigorosos com limiares pré-definidos para confirmar os achados. O resumo não informa a qualidade metodológica detalhada dos estudos incluídos.
Aplicação no consultório
Na prática clínica, os achados sugerem que algoritmos de ML podem ser úteis para triagem e priorização de mamografias, potencialmente reduzindo a carga de leitura de exames normais e aumentando a eficiência do fluxo de trabalho. Para a gestão do consultório, isso pode significar a incorporação de ferramentas de apoio à decisão, mas com cautela devido à necessidade de validação prospectiva. O médico deve estar ciente de que a tecnologia ainda não substitui a avaliação humana e que sua implementação requer treinamento e adaptação de processos.
Estudo citado
Machine Learning for Workflow Applications in Screening Mammography: Systematic Review and Meta-Analysis. Radiology, 2022.
Autores: Hickman SE, Woitek R, Le EPV, Im YR, Mouritsen Luxhøj C, Aviles-Rivero AI, Baxter GC, MacKay JW, Gilbert FJ.
DOI: 10.1148/radiol.2021210391 · PubMed: PMID 34665034
Perguntas para aprofundar
- Qual é o desempenho diagnóstico de algoritmos de aprendizado de máquina na triagem de mamografias em comparação com radiologistas?
- Quais são as limitações dos estudos retrospectivos sobre aprendizado de máquina em rastreamento mamográfico?
- Como a triagem adaptada por algoritmos pode impactar a eficiência do fluxo de trabalho em serviços de mamografia?
Mais sobre IA em dermatologia
- A inteligência artificial já pode ser usada com segurança no rastreamento mamográfico populacional, e em qual papel?
- O que a revisão sistemática sobre aprendizado de máquina em diagnóstico auxiliado por computador do câncer de mama revela para a prática clínica?
- A espectroscopia Raman combinada com aprendizado de máquina é uma alternativa precisa para o diagnóstico de câncer de mama?
- Modelos de aprendizado de máquina baseados em ultrassom são eficazes para prever a resposta à quimioterapia neoadjuvante 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