Como usar machine learning para otimizar o fluxo de triagem do câncer de mama

O uso de machine learning para aprimorar os fluxos de trabalho no rastreamento do câncer de mama tem ganhado destaque, especialmente diante dos desafios enfrentados por sistemas de saúde como o NHS (National Health Service) do Reino Unido. O programa britânico de rastreamento mamográfico, baseado em um rigoroso processo de dupla leitura (dois especialistas humanos analisam cada exame, com uma equipe de arbitragem para casos discordantes), enfrenta uma escassez crescente de radiologistas clínicos, projetada para atingir 40% até 2028. Nesse contexto, a inteligência artificial (IA) surge como uma alternativa promissora para aumentar a eficiência e a precisão do diagnóstico precoce, que é crucial para salvar vidas.

Este artigo detalha os passos, aprendizados e limitações da integração de sistemas de machine learning na rotina de triagem mamográfica, com base no estudo Artificial Intelligence in Mammography Screening (AIMS), conduzido por pesquisadores do Google em parceria com o NHS e outras instituições.

### Pré-requisitos para a implementação de IA em rastreamento mamográfico

Antes de incorporar um sistema de IA em um fluxo de trabalho clínico, é fundamental garantir:

– **Dados robustos e diversificados:** O sistema deve ser treinado e validado em grandes bases de dados multicêntricas, que representem diferentes populações e protocolos clínicos. No estudo AIMS, foram analisados retrospectivamente mais de 115 mil mamografias de mulheres atendidas em cinco serviços do NHS, abrangendo três tipos distintos de fluxos de trabalho.

– **Infraestrutura tecnológica segura:** Para implantação em ambiente real, é necessário um sistema que processe as imagens de forma segura e eficiente. No caso do Google, as mamografias foram pseudonimizadas e enviadas para uma plataforma de IA baseada no Google Cloud, garantindo confidencialidade e conformidade com políticas de privacidade.

– **Equipe multidisciplinar:** Radiologistas, engenheiros de machine learning, gestores de saúde e especialistas em ética devem atuar em conjunto para calibrar o sistema, interpretar resultados e ajustar fluxos.

### Passos para avaliação e integração do sistema de machine learning

1. **Avaliação retrospectiva da performance do sistema IA (fase 1 do estudo AIMS):**

– Análise de sensibilidade e especificidade da IA em comparação com o primeiro leitor humano, utilizando um período de acompanhamento de 39 meses para confirmação dos casos de câncer.

– Ajuste dos pontos de operação (thresholds) do sistema para cada serviço, a fim de respeitar as diferenças locais em população e protocolos.

– Verificação da localização precisa das lesões suspeitas pela IA, evitando decisões baseadas em correlações espúrias.

– Análise de equidade em relação a idade, etnia, densidade mamária e status socioeconômico, sem encontrar disparidades significativas.

2. **Estudo prospectivo de implantação técnica (fase 2):**

– Implantação não intervencionista em 12 unidades do NHS em Londres, processando mais de 9 mil casos.

– Monitoramento do tempo de leitura pela IA, que foi significativamente menor (mediana de 17,7 minutos) que o tempo médio humano (mais de 2 dias).

– Detecção e ajuste de “distribution shift” (mudança na distribuição dos dados clínicos atuais em relação ao treinamento histórico), mostrando a importância do monitoramento contínuo e da calibração local dos parâmetros operacionais.

3. **Estudo de integração da IA no fluxo de dupla leitura com arbitragem (segundo estudo):**

– Comparação entre o fluxo padrão (dois leitores humanos + arbitragem) e um fluxo híbrido onde a IA substitui o segundo leitor humano.

– Participação de 22 leitores humanos que arbitram os casos discordantes, agora com suporte da IA que destaca regiões de interesse.

– Avaliação de não-inferioridade na sensibilidade e especificidade do fluxo híbrido em relação ao tradicional.

– Estimativa de redução de cerca de 46% no número total de leituras humanas necessárias, e diminuição de 36-44% no tempo de trabalho dos leitores.

– Identificação de um desafio: painéis humanos de arbitragem sobrepujaram decisões corretas da IA em 93 casos positivos, principalmente em cânceres difíceis de detectar, indicando a necessidade de melhor treinamento, confiança e explicabilidade da IA.

### Comandos e configurações práticas para integração

Embora o estudo não apresente um código aberto específico para uso clínico imediato, o Google Research mantém diversos projetos relacionados a machine learning disponíveis no GitHub (https://github.com/google-research), que podem servir como base para desenvolvimento e experimentação.

Para quem deseja começar a explorar a integração de IA em mamografias, recomenda-se:

– **Preparar o pipeline de dados:** garantir que as imagens estejam em formato DICOM padronizado, com anonimização adequada.

– **Implementar um sistema seguro de envio e processamento:** por exemplo, utilizando serviços em nuvem com protocolos de segurança e compliance.

– **Calibrar o modelo para o ambiente local:** ajustar os thresholds operacionais conforme a prevalência e perfil da população atendida.

– **Treinar e envolver a equipe clínica:** para interpretar os resultados da IA, entender suas limitações e evitar rejeição ou sobreconfiança.

– **Monitorar continuamente o desempenho:** acompanhar métricas de sensibilidade, especificidade, taxas de falso positivo e detecção de cânceres, além de detectar possíveis mudanças na distribuição dos dados.

### Limitações e armadilhas práticas

– **Dependência da qualidade dos dados:** ruídos, artefatos ou variações nos equipamentos podem comprometer a performance da IA.

– **Risco de viés e desigualdade:** embora o estudo AIMS não tenha encontrado disparidades significativas, é fundamental validar a IA em populações diversas para evitar exclusão ou diagnósticos errôneos.

– **Interação humano-máquina:** a arbitragem humana ainda pode rejeitar decisões corretas da IA, o que demanda estratégias para melhorar a confiança e a explicabilidade do sistema.

– **Desafios operacionais:** o aumento do volume de casos para arbitragem pode exigir readequação dos recursos humanos.

– **Regulamentação e ética:** o uso de IA em saúde deve respeitar normas locais, garantir transparência e proteger dados sensíveis dos pacientes.

### Considerações finais

A aplicação de machine learning no rastreamento do câncer de mama, conforme demonstrado pelos estudos do Google Research em parceria com o NHS, evidencia um caminho promissor para aumentar a detecção precoce e otimizar recursos humanos em programas de triagem. A implementação prática exige um processo cuidadoso, que inclui validação multicêntrica, implantação técnica segura, treinamento clínico e monitoramento constante. A combinação equilibrada entre tecnologia e expertise humana pode tornar os programas de rastreamento mais sustentáveis e eficazes, com impacto direto na redução da mortalidade pelo câncer de mama.

—

**Links úteis**

– Repositórios do Google Research: https://github.com/google-research

– Termos de uso e política de privacidade Google: https://policies.google.com/privacy e https://policies.google.com/terms

– Artigo sobre curva ROC (métrica usada para avaliação): https://en.wikipedia.org/wiki/Receiver_operating_characteristic

– Estudo original publicado em Nature Cancer (link no blog do Google Research): https://research.google/blog/improving-breast-cancer-screening-workflows-with-machine-learning/

– Dados sobre déficit de radiologistas no Reino Unido: http://www.rcr.ac.uk/news-policy/latest-updates/2023-clinical-radiology-and-clinical-oncology-workforce-census-reports/