Primeiro estudo randomizado conclui que a triagem de mamografia com suporte de IA é segura e reduz quase pela metade a carga de trabalho do radiologista

Uma análise de segurança interina do primeiro estudo randomizado controlado desse tipo envolvendo mais de 80.000 mulheres suecas publicado em The Lancet Oncologia Journal, constata que a análise de mamografia com suporte de inteligência artificial (IA) é tão boa quanto dois radiologistas de mama trabalhando juntos para detectar o câncer de mama, sem aumentar os falsos positivos e reduzir quase pela metade a carga de trabalho de leitura de tela.

No entanto, os resultados finais do estudo analisam se o uso de IA na interpretação de imagens de mamografia se traduz em uma redução nos cânceres de intervalo (cânceres detectados entre os exames que geralmente têm um prognóstico pior do que os cânceres detectados na tela) em 100.000 mulheres acompanhadas por dois anos – e em última análise, se o uso de AI na triagem de mamografia é justificado – não são esperados por vários anos.

“Esses resultados provisórios de segurança promissores devem ser usados ​​para informar novos ensaios e avaliações baseadas em programas para lidar com a pronunciada escassez de radiologistas em muitos países. Mas eles não são suficientes por si só para confirmar que a IA está pronta para ser implementada na triagem de mamografia”. adverte a principal autora, Dra. Kristina Lång, da Universidade de Lund, na Suécia.

“Ainda precisamos entender as implicações nos resultados dos pacientes, especialmente se a combinação da experiência dos radiologistas com a IA pode ajudar a detectar cânceres de intervalo que muitas vezes passam despercebidos pela triagem tradicional, bem como o custo-benefício da tecnologia”.

O rastreamento do câncer de mama com mamografia demonstrou melhorar o prognóstico e reduzir a mortalidade ao detectar o câncer de mama em um estágio mais precoce e tratável. No entanto, as estimativas sugerem que 20 a 30% dos cânceres de intervalo que deveriam ter sido detectados na mamografia de rastreamento anterior são perdidos, e os achados suspeitos geralmente se revelam benignos.

As diretrizes europeias recomendam a leitura dupla de mamografias de rastreamento por dois radiologistas para garantir alta sensibilidade (para identificar corretamente aqueles com doença). Mas há uma escassez de radiologistas de mama em muitos países, incluindo um déficit de cerca de 41 (8%) no Reino Unido em 2020 e cerca de 50 na Suécia, e leva mais de uma década para treinar um radiologista capaz de interpretar mamografias.

A IA foi proposta como um segundo leitor automatizado para mamografias que pode ajudar a reduzir essa carga de trabalho e melhorar a precisão da triagem. A tecnologia mostrou resultados encorajadores em estudos retrospectivos usando IA para triagem de exames para leitura simples ou dupla e fornecendo aos radiologistas marcas de detecção auxiliada por computador (CAD) destacando recursos suspeitos para reduzir resultados falsos negativos. Mas faltam evidências robustas de estudos randomizados prospectivos.

Entre abril de 2021 e julho de 2022, 80.033 mulheres com idades entre 40 e 80 anos que se submeteram à mamografia em quatro locais no sudoeste da Suécia foram aleatoriamente designadas em uma proporção de 1:1 para qualquer análise suportada por IA, onde uma leitura de mamografia suportada por IA comercialmente disponível sistema analisava as mamografias antes de serem também lidas por um ou dois radiologistas (braço de intervenção), ou análise padrão realizada por dois radiologistas sem IA (braço de controle).

Esta análise interina do estudo Mammography Screening with Artificial Intelligence (MASAI) comparou o desempenho de triagem precoce (por exemplo, detecção de câncer, recalls, falsos positivos) e carga de trabalho de leitura de tela nos dois braços. O estudo MASAI continuará a estabelecer os resultados primários de se a triagem de mamografia apoiada por IA reduz os cânceres de intervalo.

O limite mínimo aceitável para segurança clínica no grupo de intervenção foi estabelecido em uma taxa de detecção de câncer acima de três cânceres por 1.000 mulheres rastreadas. Isso foi baseado na premissa de que a taxa de detecção de câncer pode diminuir porque a maioria dos exames de rastreamento passaria por leitura única em vez de leitura dupla. A taxa de detecção de linha de base no atual programa de triagem com leitura dupla é de cinco cânceres por 1.000 mulheres rastreadas.

Na análise apoiada por IA, o sistema de IA primeiro analisou a imagem da mamografia e previu o risco de câncer em uma escala de um a 10, com um representando o menor risco e 10 o maior. Se o escore de risco fosse inferior a 10, a imagem era analisada por um radiologista, enquanto que se o sistema de IA previsse um escore de risco de 10, então dois radiologistas analisaram a imagem.

O sistema também forneceu marcas CAD para auxiliar os radiologistas na interpretação precisa das imagens de mamografia. As mulheres foram chamadas de volta para testes adicionais com base em achados suspeitos. Os radiologistas tiveram a decisão final de convocar as mulheres e foram instruídos a convocar os casos com o maior risco de 1%, exceto para falsos positivos óbvios.

AI falhou em fornecer uma pontuação de risco em 0,8% dos casos (306/39.996) que foram encaminhados para atendimento padrão (leitura dupla).

As taxas de reconvocação foram em média de 2,2% (861 mulheres) para triagem apoiada por IA e 2,0% (817 mulheres) para leitura dupla padrão sem IA. Estes foram semelhantes à taxa média de 2,1% de reconvocação na clínica seis meses antes do início do estudo, indicando que as taxas de detecção de câncer não haviam caído.

No total, 244 mulheres (28%) reconvocadas da triagem apoiada por IA tiveram câncer em comparação com 203 mulheres (25%) reconvocadas da triagem padrão – resultando em mais 41 cânceres detectados com o apoio da IA ​​(dos quais 19 eram invasivos). e 22 eram cânceres in situ). A taxa de falso-positivo foi de 1,5% em ambos os braços.

No geral, a triagem apoiada por IA resultou em uma taxa de detecção de câncer de seis por 1.000 mulheres rastreadas, em comparação com cinco por 1.000 para leitura dupla padrão sem IA – equivalente à detecção de um câncer adicional para cada 1.000 mulheres rastreadas.

É importante ressaltar que houve 36.886 menos leituras de tela por radiologistas no grupo com suporte de IA do que no grupo de controle (46.345 vs. 83.231), resultando em uma redução de 44% na carga de trabalho de leitura de tela dos radiologistas.

Embora o tempo real economizado pelo uso da IA ​​não tenha sido medido no estudo, os pesquisadores calculam que, se um radiologista lê em média 50 mamografias por hora, um radiologista levaria 4,6 meses a menos para ler os cerca de 40.000 exames de triagem com a ajuda de AI em comparação com os cerca de 40.000 no braço de controle que foram lidos duas vezes.

“O maior potencial da IA ​​no momento é permitir que os radiologistas fiquem menos sobrecarregados com a quantidade excessiva de leitura”, diz Lång. “Embora nosso sistema de triagem com suporte de IA exija pelo menos um radiologista responsável pela detecção, ele poderia acabar com a necessidade de leitura dupla da maioria das mamografias, aliviando a pressão sobre as cargas de trabalho e permitindo que os radiologistas se concentrem em diagnósticos mais avançados enquanto encurtam tempo de espera dos pacientes.”

Apesar das descobertas promissoras, os autores observam várias limitações, incluindo que a análise foi realizada em um único centro e foi limitada a um tipo de dispositivo de mamografia e um sistema de IA, o que pode limitar a generalização dos resultados. Eles também observam que, embora os fatores técnicos afetem o desempenho e o processamento do sistema de IA, eles provavelmente serão menos importantes do que a experiência dos radiologistas.

Como o sistema com suporte de IA coloca a decisão final sobre a convocação de mulheres para os radiologistas, os resultados dependem de seu desempenho. Neste estudo, os radiologistas eram de moderada a altamente experientes, o que poderia limitar a generalização dos achados para leitores menos experientes. Por fim, não foram coletadas informações sobre raça e etnia.

Escrevendo em um comentário vinculado, Dr. Nereo Segnan, ex-chefe da Unidade de Epidemiologia do Câncer e ex-diretor do Departamento de Triagem do CPO Piemonte na Itália (que não esteve envolvido no estudo) observa que a pontuação de risco AI para câncer de mama parece muito preciso em separar mulheres de alto risco de mulheres de baixo risco, acrescentando que, “Nos protocolos de rastreamento estratificado de risco, o potencial para modular apropriadamente os critérios de reconvocação em grupos de baixo e alto risco é notável”.

No entanto, ele adverte: “No grupo de triagem apoiado por IA do estudo MASAI, a possível presença de sobrediagnóstico (ou seja, o sistema que identifica não-cânceres) ou sobredetecção de lesões indolentes, como uma porção relevante de carcinomas ductais in situ, deve levar a cautela na interpretação de resultados que de outra forma parecem diretos em favor do uso de IA… Portanto, é importante adquirir informações biológicas sobre as lesões detectadas.

Espera-se que os resultados finais do estudo MASAI o façam, já que as características dos cânceres identificados e a taxa de cânceres de intervalo – não apenas a taxa de detecção – são indicadas como principais resultados. Uma importante questão de pesquisa permanece: a IA, quando adequadamente treinada, é capaz de capturar características biológicas relevantes – ou, em outras palavras, a história natural da doença – como a capacidade dos tumores de crescer e se disseminar?”