DA TELA AO DIAGNÓSTICO: COMO A INTELIGÊNCIA ARTIFICIAL ESTÁ REDEFININDO A INTERPRETAÇÃO MAMOGRÁFICA NO RASTREAMENTO DO CÂNCER DE MAMA

Resumo

Objetivo: Analisar por meio de revisão integrativa da literatura a eficácia e a acurácia da inteligência artificial (IA) aplicada à interpretação de mamografias no diagnóstico do câncer de mama, comparando seus resultados aos métodos tradicionais realizados por médicos especialistas.Método: Revisão integrativa da literatura conduzida conforme as diretrizes PRISMA 2020, com busca realizada nas bases de dados PubMed/MEDLINE, Scopus e Biblioteca Virtual em Saúde (BVS), abrangendo publicações de janeiro de 2020 a abril de 2026. Foram incluídos estudos originais — ensaios clínicos randomizados, estudos de coorte prospectivos e retrospectivos e estudos de acurácia diagnóstica — que avaliassem sistemas de IA baseados em deep learning aplicados à mamografia, com desfechos de sensibilidade, especificidade e/ou área sob a curva ROC (AUC), comparando ao desempenho de radiologistas. A qualidade metodológica foi avaliada pelas ferramentas QUADAS-2, RoB 2.0 e ROBINS-I. Resultados: Foram incluídos 23 estudos, totalizando mais de 2,5 milhões de mamografias avaliadas, publicados entre 2022 e 2026 em 14 países. Quatro ensaios clínicos randomizados demonstraram não-inferioridade da combinação IA + radiologista em relação à dupla leitura humana padrão, com redução de 44 a 87% na carga de trabalho radiológico. Os valores de AUC variaram de 0,86 a 0,97, com sensibilidade superior ou equivalente à leitura humana na maioria dos estudos. A IA identificou até 54% dos cânceres falsos-negativos não detectados pelos radiologistas, com antecipação diagnóstica de mediana de 272 dias. A assistência por IA melhorou significativamente o desempenho de radiologistas menos experientes em todos os estudos que avaliaram essa variável. A avaliação de risco de viés classificou 78% dos estudos como baixo risco e 22% como risco incerto; nenhum foi classificado como alto risco.Conclusão: A inteligência artificial apresenta desempenho diagnóstico não-inferior à leitura humana convencional em mamografias de rastreamento e diagnóstico, com potencial para reduzir a carga de trabalho radiológico, detectar cânceres falsos-negativos, diminuir o tempo até o diagnóstico e equalizar o desempenho entre radiologistas de diferentes níveis de experiência. A implementação da IA como segunda leitora ou suporte à decisão, com monitoramento contínuo e arbitragem estruturada nos casos discordantes, é o modelo mais respaldado pela evidência atual e pode ser considerado seguro para adoção em programas populacionais de rastreamento mamográfico.