# Modelos de deep learning em ressonância magnética de mama alcançam alta acurácia diagnóstica para câncer de mama?

> Sim. A meta-análise mostra que modelos de deep learning aplicados à ressonância magnética de mama atingem AUC de 0,90, sensibilidade de 88% e especificidade de 90%. No entanto, há variabilidade considerável entre os estudos, e o refinamento contínuo é essencial para a aplicação clínica confiável.

Estudo citado: Abdullah KA, Marziali S, Nanaa M, Escudero Sánchez L, Payne NR, Gilbert FJ. Deep learning-based breast cancer diagnosis in breast MRI: systematic review and meta-analysis. European radiology. 2025. DOI: https://doi.org/10.1007/s00330-025-11406-6. PubMed: https://pubmed.ncbi.nlm.nih.gov/39907762/

## Resposta

A revisão sistemática com meta-análise avaliou o desempenho de modelos de deep learning (DL) no diagnóstico de câncer de mama por ressonância magnética (RM). Foram incluídos 40 estudos, dos quais 21 foram elegíveis para análise quantitativa. A qualidade metodológica foi avaliada com as ferramentas QUADAS-2 e MAIC-10, e o protocolo foi registrado no PROSPERO.

Os resultados agrupados mostraram AUC de 0,90 (IC 95%: 0,87–0,93), sensibilidade de 88% (IC 95%: 86–91%) e especificidade de 90% (IC 95%: 87–93%). Redes neurais convolucionais (CNNs) foram usadas em 62,5% dos modelos, e modelos híbridos compostos (HCMs) nos 37,5% restantes. O tamanho do conjunto de treinamento teve impacto significativo nas métricas de desempenho (p < 0,001).

Os autores concluem que os modelos de DL alcançam alto desempenho diagnóstico, mas destacam variabilidade inerente considerável na análise. Fatores como overfitting e heterogeneidade nos desenhos dos estudos e nas sequências de imagem são apontados como desafios. Assim, a avaliação e o refinamento contínuos dos modelos são essenciais para garantir sua praticabilidade no contexto clínico.

A relevância clínica reside no potencial de aumentar a confiança diagnóstica e reduzir a carga de trabalho dos radiologistas, especialmente com conjuntos de dados maiores que minimizam o overfitting e melhoram a confiabilidade clínica. Contudo, a implementação rotineira exige validação cuidadosa e monitoramento dos modelos em diferentes cenários.

Para o médico, os achados sugerem que a tecnologia pode ser uma aliada na interpretação da RM de mama, mas ainda não substitui o julgamento clínico. A heterogeneidade dos estudos limita generalizações, e a adoção na prática deve ser acompanhada de avaliação crítica das evidências e das características locais.

## O que o estudo mostrou

Revisão sistemática e meta-análise que incluiu 40 estudos, dos quais 21 foram analisados quantitativamente. Modelos de deep learning aplicados à RM de mama apresentaram AUC agrupada de 0,90 (IC 95%: 0,87–0,93), sensibilidade de 88% (IC 95%: 86–91%) e especificidade de 90% (IC 95%: 87–93%). CNNs foram usadas em 62,5% dos modelos e modelos híbridos em 37,5%. O tamanho do treinamento impactou significativamente o desempenho (p < 0,001).

## Limitações

O resumo não informa detalhes sobre as limitações individuais dos estudos incluídos, mas menciona variabilidade inerente considerável na análise, heterogeneidade nos desenhos dos estudos e nas sequências de imagem, além do risco de overfitting. Apenas 21 dos 40 estudos foram elegíveis para a análise quantitativa, o que pode limitar a representatividade dos resultados. O resumo também não fornece informações sobre a população de pacientes ou os critérios de inclusão dos estudos.

## Aplicação no consultório

Os achados podem auxiliar o médico na discussão sobre o papel da inteligência artificial na interpretação da RM de mama, reforçando que os modelos apresentam alto desempenho, mas exibem variabilidade. Na gestão do consultório, isso implica considerar a necessidade de validação local e de treinamento da equipe antes de adotar ferramentas de DL. A redução da carga de trabalho dos radiologistas é um potencial benefício, mas a implementação deve ser cautelosa, com monitoramento contínuo dos resultados e integração ao fluxo clínico.

## Perguntas para aprofundar

- Como o tamanho do conjunto de treinamento influencia o desempenho de modelos de deep learning em RM de mama?
- Quais são os principais desafios para a implementação clínica de modelos de deep learning no diagnóstico de câncer de mama?
- Modelos híbridos compostos apresentam desempenho superior às redes neurais convolucionais na RM de mama?

Tema: IA em diagnóstico por imagem e radiologia. Página: https://alphadoctor.com.br/ciencia/ia-radiologia/modelos-de-deep-learning-em-ressonancia-magnetica-de-mama-alcancam-alta/

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