# Como a inteligência artificial pode apoiar a detecção de câncer de mama em mamografias e quais são as limitações atuais?

> Uma revisão sistemática e validação experimental mostraram que pipelines de IA, especialmente CNNs como ResNet-50, alcançam bom desempenho (AUC-ROC 0,95) na detecção de câncer de mama em mamografias, mas há heterogeneidade nos estudos e necessidade de validação externa e uso rotineiro de IA explicável antes da implantação clínica.

Estudo citado: Añez D, Conti G, Uriarte JJ, Serrano-Olmedo JJ, Martínez-Murillo R, Casanova-Carvajal O. Artificial Intelligence Pipeline for Mammography-Based Breast Cancer Detection: An Integrated Systematic Review and Large-Scale Experimental Validation. Medicina (Kaunas, Lithuania). 2025. DOI: https://doi.org/10.3390/medicina61122237. PubMed: https://pubmed.ncbi.nlm.nih.gov/41470239/

## Resposta

A revisão sistemática identificou 45 artigos elegíveis que utilizaram redes neurais convolucionais (CNNs), máquinas de vetores de suporte (SVMs) ou XGBoost para detecção de câncer de mama em mamografia e modalidades de imagem relacionadas. Os estudos apresentaram grande heterogeneidade em conjuntos de dados, pipelines de pré-processamento e estratégias de validação, com predominância de validação interna e uso limitado de métodos de IA explicável.

Na validação experimental, os autores implementaram e avaliaram pipelines representativos de CNN (ResNet-50, EfficientNetB0 e MobileNetV3-Small) e de aprendizado de máquina clássico (SVM e XGBoost) no conjunto de dados CBIS-DDSM, seguindo um fluxo inspirado no CRISP-DM e utilizando Grad-CAM e SHAP para fornecer explicações em nível de imagem e de características dentro de uma estrutura reproduzível orientada a MLOps.

Os resultados experimentais mostraram que a ResNet-50 obteve o melhor desempenho (AUC-ROC 0,95; sensibilidade 89%), seguida pelo XGBoost (AUC-ROC 0,90; sensibilidade 74%) e pelo SVM (AUC-ROC 0,84; sensibilidade 66%), enquanto EfficientNetB0 e MobileNetV3-Small apresentaram discriminação inferior. O Grad-CAM produziu mapas de calor qualitativamente plausíveis centrados nas lesões anotadas, e as análises SHAP indicaram que descritores simples de intensidade global e tamanho da imagem dominaram as predições dos modelos clássicos.

Os autores concluem que, ao integrar evidências sistemáticas e experimentos em larga escala no CBIS-DDSM, o estudo destaca tanto o potencial quanto as limitações dos pipelines atuais de IA para detecção de câncer de mama em mamografia, ressaltando a necessidade de pré-processamento mais padronizado, validação externa rigorosa e uso rotineiro de IA explicável antes da implantação clínica.

Para o médico, esses achados reforçam que a IA pode ser uma ferramenta auxiliar promissora, mas ainda carece de padronização e validação robusta para uso na prática clínica diária. A aplicação no consultório deve considerar a interpretabilidade dos resultados e a necessidade de estudos adicionais que confirmem o desempenho em diferentes populações e equipamentos.

## O que o estudo mostrou

Trata-se de uma revisão sistemática PRISMA 2020 combinada com validação experimental original. A revisão incluiu 45 artigos que usaram CNNs, SVMs ou XGBoost para detecção de câncer de mama em mamografia e modalidades relacionadas. No experimento, pipelines de CNN (ResNet-50, EfficientNetB0, MobileNetV3-Small) e de aprendizado clássico (SVM, XGBoost) foram avaliados no conjunto CBIS-DDSM. A ResNet-50 alcançou AUC-ROC 0,95 e sensibilidade 89%; XGBoost, AUC-ROC 0,90 e sensibilidade 74%; SVM, AUC-ROC 0,84 e sensibilidade 66%. Grad-CAM gerou mapas de calor plausíveis e SHAP mostrou que descritores simples dominaram os modelos clássicos.

## Limitações

O resumo não informa detalhes sobre a amostra do conjunto CBIS-DDSM nem sobre possíveis vieses. A revisão sistemática revelou heterogeneidade nos estudos, com predominância de validação interna e uso limitado de IA explicável. Os experimentos foram conduzidos em um único conjunto de dados, sem validação externa, o que limita a generalização dos achados. O resumo não informa limitações específicas do desenho experimental ou da revisão.

## Aplicação no consultório

Os achados sugerem que sistemas de IA podem auxiliar na detecção de câncer de mama em mamografias, mas ainda não estão prontos para substituir a avaliação médica. No consultório, é importante considerar a necessidade de validação externa e interpretabilidade antes de adotar essas ferramentas. A gestão do consultório pode se preparar para integrar IA como apoio à decisão, mas com cautela e monitoramento contínuo dos resultados, priorizando sistemas que ofereçam explicações claras e sejam reprodutíveis.

## Perguntas para aprofundar

- Qual é o desempenho da ResNet-50 na detecção de câncer de mama em mamografias?
- Como a IA explicável pode auxiliar na interpretação de resultados mamográficos?
- Quais são os desafios para a validação externa de sistemas de IA em mamografia?

Tema: IA em dermatologia. Página: https://alphadoctor.com.br/ciencia/ia-dermatologia/como-a-inteligencia-artificial-pode-apoiar-a-deteccao-de-cancer-de-mama-em/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.