Radiologistas auxiliados por uma triagem de IA para câncer de mama com mais sucesso do que quando trabalham sozinhos, de acordo com uma nova pesquisa. Essa mesma IA também produz resultados mais precisos nas mãos de um radiologista do que quando operando sozinho.
O estudo em larga escala, publicado este mês na The Lancet Digital Health, é o primeiro a compare o desempenho de uma IA no rastreamento do câncer de mama de acordo com o uso isolado ou para auxiliar um especialista humano. A esperança é que esses sistemas de IA possam salvar vidas detectando cânceres que os médicos não percebem, liberar os radiologistas para ver mais pacientes e aliviar a carga em locais onde há uma grande falta de especialistas.
O software que está sendo testado vem da Vara, startup sediada na Alemanha que também liderou o estudo. A IA da empresa já é usada em mais de um quarto dos centros de rastreamento de câncer de mama da Alemanha e foi introduzida no início deste ano em um hospital no México e outro na Grécia.
A equipe Vara, com a ajuda de radiologistas do Hospital Universitário de Essen, na Alemanha, e do Memorial Sloan Kettering Cancer Center, em Nova York, testou duas abordagens. No primeiro, a IA trabalha sozinha para analisar mamografias. No outro, a IA distingue automaticamente entre varreduras que parecem normais e aquelas que levantam uma preocupação. Encaminha os últimos a um radiologista, que os revisaria antes de ver a avaliação da IA. Em seguida, a IA emitiria um aviso se detectasse câncer quando o médico não detectou.
No processo orientado por IA proposto, quase três quartos dos estudos de triagem não precisaram ser revisados por um radiologista, melhorando a precisão geral.
Para treinar a rede neural, Vara alimentou os dados de IA de mais de 367.000 mamografias – incluindo notas de radiologistas, avaliações originais e informações sobre se o paciente teve câncer – para aprender como colocar esses exames em um dos três baldes: “confiante normal ”, “não confiante” (no qual nenhuma previsão é dada) e “câncer confiante”.
As conclusões de ambas as abordagens foram então comparadas com as decisões que radiologistas reais originalmente tomaram em 82.851 mamografias provenientes de centros de triagem que não contribuíram com exames usados para treinar a IA.
A segunda abordagem – médico e IA trabalhando juntos – foi 2,6% melhor na detecção de câncer de mama do que um médico trabalhando sozinho e gerou menos alarmes falsos. Ele conseguiu isso ao deixar automaticamente de lado os exames classificados como normais com confiança, o que representou 63% de todas as mamografias. Essa intensa racionalização poderia reduzir a carga de trabalho dos radiologistas.
Após os exames de câncer de mama, os pacientes com um exame normal são encaminhados, enquanto um exame anormal ou pouco claro desencadeia o teste de acompanhamento. Mas os radiologistas que examinam mamografias perdem 1 em cada 8 cânceres.
Fadiga, excesso de trabalho e até mesmo a hora do dia afetam o quão bem os radiologistas podem identificar tumores à medida que visualizam milhares de exames. Sinais que são visualmente sutis também são geralmente menos propensos a disparar alarmes, e o tecido mamário denso – encontrado principalmente em pacientes mais jovens – torna os sinais de câncer mais difíceis de ver.
Os radiologistas que usam a IA no mundo real são obrigados pela lei alemã a examinar todas as mamografias, pelo menos olhando aquelas que a IA considera boas. A IA ainda os ajuda pré-preenchendo relatórios sobre exames rotulados como normais, embora o radiologista sempre possa rejeitar a chamada da IA.
Thilo Töllner, radiologista que dirige um centro alemão de rastreamento de câncer de mama, usa o programa há dois anos. Ele às vezes discorda quando a IA classifica as varreduras como normais confiantes e preenche relatórios manualmente para refletir uma conclusão diferente, mas ele diz que “os normais são quase sempre normais”. Principalmente, “você só precisa pressionar enter”.
As mamografias que a IA rotulou como ambíguas ou “câncer confiante” são encaminhadas a um radiologista – mas somente depois que o médico oferece uma avaliação inicial e independente.
Os radiologistas classificam as mamografias em uma escala de 0 a 6 conhecida como BI-RADS, onde quanto menor é melhor. Uma pontuação de 3 indica que algo é provavelmente benigno, mas vale a pena verificar. Se Vara atribuiu uma pontuação BI-RADS de 3 ou superior a uma mamografia que o radiologista rotula como normal, aparece um aviso.
A IA geralmente se destaca na classificação de imagens. Então, por que a IA de Vara por si só teve um desempenho inferior a um médico solitário? Parte do problema é que uma mamografia sozinha não pode determinar se alguém tem câncer – isso requer a remoção e teste do tecido de aparência anormal. Em vez disso, a IA examina mamografias em busca de dicas.
Christian Leibig, principal autor do estudo e diretor de aprendizado de máquina da Vara, diz que mamografias de seios saudáveis e cancerosos podem ser muito semelhantes, e ambos os tipos de exames podem apresentar uma ampla gama de resultados visuais. Isso complica o treinamento de IA.
O mesmo acontece com a baixa prevalência de câncer em exames de mama (de acordo com Leibig, “na Alemanha, é cerca de seis em 1.000”). Como as IAs treinadas para detectar câncer são principalmente treinadas em exames de mama saudáveis, elas podem ser propensas a falsos positivos.
O estudo testou a IA apenas em decisões de mamografia anteriores e assumiu que os radiologistas concordariam com a IA cada vez que ela emitisse uma decisão de “normal confiante” ou “câncer confiante”. Quando a IA não tinha certeza, o estudo adotava como padrão a leitura original do radiologista.
Isso significa que não foi possível testar como o uso da IA afeta as decisões dos radiologistas – e se tais mudanças podem criar novos riscos. Töllner admite que gasta menos tempo examinando os rótulos de Vara normais do que aqueles que considera suspeitos. “Você fica mais rápido com os normais porque fica confiante com o sistema”, diz ele.
Se a IA realmente vai fazer a diferença para os pacientes, precisamos saber como ela funciona quando humanos reais colocam as mãos nela, em situações reais.
Até agora, as tentativas de substituir totalmente os radiologistas pela IA falharam. Uma revisão de 2021 descobriu que em 34 dos 36 estudos , a IA se saiu pior do que um único radiologista na triagem de câncer de mama a partir de mamografias. Todos os 36 foram menos precisos do que o consenso de dois radiologistas, o que alguns países exigem.
“Costumamos dizer que a IA não substituirá os radiologistas”, diz Langlotz. “Este estudo não muda isso, mas no processo proposto orientado por IA, quase três quartos dos estudos de triagem não precisaram ser revisados por um radiologista, melhorando a precisão geral”. Isso, segundo ele, é “inovador”.
Langlotz acrescenta que essa abordagem pode aliviar a escassez de radiologistas, especialmente em países como Malawi, onde há um radiologista para cada 8,8 milhões de pessoas, ou na Índia, um país de 1,4 bilhão atendido por um radiologista para cada 100.000 pessoas. Mesmo os EUA, que proporcionalmente têm 10 vezes mais radiologistas do que a Índia, devem ter 17.000 radiologistas em 2033.
Töllner está otimista de que mais radiologistas usando IA significarão detecção precoce do câncer de mama, o que pode melhorar as taxas de sobrevivência. Ele também espera que Vara ajude a anular o alto número de falsos positivos – pacientes convocados para mais testes que estão realmente bem.
