# Deep learning, radiomics e radiogenomics na tomossíntese digital mamária: o que a revisão sistemática revela para a prática clínica?

> A revisão sistemática identificou 30 estudos sobre deep learning, radiomics e radiogenomics aplicados à tomossíntese digital mamária (DBT), sua mamografia sintética e à mamografia digital. A comparação paralela desses modelos pode auxiliar clínicos e pesquisadores na conscientização sobre o desenvolvimento e implantação clínica, fornecendo um guia abrangente para a detecção precoce do câncer de mama com DBT.

Estudo citado: Hussain S, Lafarga-Osuna Y, Ali M, Naseem U, Ahmed M, Tamez-Peña JG. Deep learning, radiomics and radiogenomics applications in the digital breast tomosynthesis: a systematic review. BMC bioinformatics. 2023. DOI: https://doi.org/10.1186/s12859-023-05515-6. PubMed: https://pubmed.ncbi.nlm.nih.gov/37884877/

## Resposta

A tomossíntese digital mamária (DBT) é uma técnica de imagem 3D que vem substituindo rapidamente a mamografia 2D convencional. Com o avanço da capacidade computacional e algoritmos de ponta, áreas como deep learning, radiomics e radiogenomics têm sido exploradas para melhorar a interpretação das imagens e personalizar o cuidado em saúde. Esta revisão sistemática teve como objetivo reunir e sintetizar a literatura sobre essas aplicações na DBT, incluindo a mamografia sintética (SM) e a mamografia digital de campo total (FFDM).

Os autores realizaram uma revisão sistemática e identificaram 500 artigos, dos quais 30 foram incluídos com base em critérios predefinidos. A revisão fornece conhecimento sistemático sobre deep learning, radiomics e radiogenomics, tanto para iniciantes quanto para pesquisadores avançados. Além disso, destaca que a comparação paralela de modelos de radiomics, radiogenomics e deep learning aplicados a imagens de DBT pode permitir que clínicos e pesquisadores tenham maior conscientização ao considerar a implantação clínica ou o desenvolvimento de novos modelos.

Os resultados indicam que a revisão oferece um guia abrangente para entender o estado atual da detecção precoce do câncer de mama usando imagens de DBT. A integração dessas abordagens pode contribuir para estratificar melhor as pacientes e associar fenótipos de imagem a genes relacionados à doença. No entanto, a revisão não detalha os resultados individuais dos estudos incluídos, nem fornece métricas de desempenho específicas.

A conclusão do artigo é que, por meio desta revisão, investigadores de diversas áreas podem buscar ciência interdisciplinar e novas direções em deep learning, radiomics e radiogenomics voltadas para a DBT. O resumo não informa sobre a qualidade metodológica dos estudos incluídos, nem sobre possíveis vieses, limitações que devem ser consideradas na interpretação dos achados.

Para o médico brasileiro, a revisão reforça a importância de acompanhar o desenvolvimento dessas tecnologias, que podem impactar a prática clínica e a gestão do consultório, especialmente na incorporação de ferramentas de apoio ao diagnóstico. Contudo, a aplicação clínica rotineira ainda requer mais evidências sobre desempenho e validação externa, conforme indicado pela necessidade de conscientização antes da implantação clínica.

## O que o estudo mostrou

Trata-se de uma revisão sistemática que identificou 500 artigos, dos quais 30 foram incluídos segundo critérios predefinidos. A revisão abordou aplicações de deep learning, radiomics e radiogenomics em tomossíntese digital mamária (DBT), mamografia sintética (SM) e mamografia digital de campo total (FFDM). Os achados indicam que a comparação paralela desses modelos pode auxiliar clínicos e pesquisadores na conscientização para implantação clínica ou desenvolvimento de novos modelos, fornecendo um guia abrangente sobre o estado atual da detecção precoce do câncer de mama com DBT. O resumo não informa resultados quantitativos dos estudos incluídos.

## Limitações

O resumo não informa as limitações específicas dos estudos incluídos, nem a qualidade metodológica da revisão. Não são apresentados dados sobre heterogeneidade, risco de viés ou métricas de desempenho dos modelos. Portanto, as conclusões são limitadas a uma visão geral e não permitem inferências sobre a eficácia clínica das abordagens. Além disso, a revisão não detalha a aplicabilidade dos achados à população brasileira.

## Aplicação no consultório

A revisão destaca o potencial da DBT combinada com deep learning, radiomics e radiogenomics para melhorar a detecção precoce do câncer de mama. Para o médico, isso significa acompanhar essas inovações e considerar sua incorporação futura na prática clínica, avaliando a disponibilidade de equipamentos e a capacitação da equipe. Na gestão do consultório, pode-se planejar investimentos em tecnologias de imagem e em sistemas de apoio à decisão, mas sempre com base em evidências robustas e nas necessidades dos pacientes. O resumo não fornece recomendações específicas para a prática, apenas indica a necessidade de conscientização antes da implantação clínica.

## Perguntas para aprofundar

- Qual é o desempenho diagnóstico dos modelos de deep learning aplicados à tomossíntese digital mamária em comparação com a mamografia convencional?
- Como a radiogenomics pode auxiliar na estratificação de pacientes com câncer de mama na prática clínica?
- Quais são os desafios para a implementação clínica de ferramentas de radiomics e deep learning em serviços de imagem mamária?

Tema: IA em diagnóstico por imagem e radiologia. Página: https://alphadoctor.com.br/ciencia/ia-radiologia/deep-learning-radiomics-e-radiogenomics-na-tomossintese-digital-mamaria-o-que-a/

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