Diagnóstico Automatizado de Câncer de Mama por Imagens Mamográficas usando Classificação BI-RADS com Segmentação e IA Generativa

Resumo

O diagnóstico do câncer de mama é um fator para o tratamento (WORLD HEALTH ORGANIZATION, 2024), tendo-se a mamografia como uma das abordagens clínicas mais usadas e acessíveis no mercado. Entretanto, a interpretabilidade das imagens apresenta desafios significativos (CALAS; GUTFILEN; PEREIRA, 2012), especialmente no que diz respeito ao consenso entre especialistas. Com o uso de sistemas de inteligência artificial e visão computacional, torna-se possível explorar a aplicação de modelos de classificação automatizada com base no padrão BI-RADS (Breast Imaging Reporting and Data System)(JIANG et al., 2024), e em particular nas categorias 3, 4 e 5, com o apoio de técnicas de segmentação morfológica e filtros de realce como CLAHE e Sharpen(ALPAN; ARMAN; DIMILILER, 2025). Este trabalho propõe uma análise quantitativa e qualitativa do empenho de um classificador baseado em imagens segmentadas(HASSAN; HAMAD; MAHAR, 2024) de mamografias por meio de inteligência artificial generativa (KUZAN et al., 2025) para interpretação e validação diagnóstica. A metodologia adotada utiliza uma base de 120 imagens(DEHDAB et al., 2024), cada uma com uma classe de valor verdadeiro e três abordagens distintas. A primeira abordagem não utiliza imagens segmentadas para o diagnóstico. A segunda aplica segmentação(LANZAFAME et al., 2025), mas sem qualquer tratamento adicional das imagens. Já a terceira integra a segmentação com uma série de comandos estruturados e descrições detalhadas das imagens, além da aplicação de filtros — principalmente CLAHE e Sharpen — com o objetivo de realçar as bordas das massas e facilitar a distinção entre margens espiculadas e regiões de coloração homogênea. Realiza-se uma comparação direta entre o desempenho do classificador com segmentação com os testes anteriores. Os resultados indicam um desempenho superior para o classificador com segmentação. Como critério de comparação, observou-se que a abordagem alternativa — que não emprega técnicas para aumentar a acurácia, baseando-se apenas em diagnóstico direto, sem qualquer processamento da imagem, embora útil em contextos mais simples, apresentou resultados inferiores em termos de precisão e consistência diagnóstica. Essa abordagem demonstrou dificuldades na diferenciação entre categorias intermediárias (BI-RADS 3 e 4), além de falhas significativas na identificação de massas suspeitas classificadas como BI-RADS 5. A análise dos resultados também evidenciou que a precisão do BI-RADS 5 permaneceu limitada elevada taxa de confusão com as demais categorias. Sugere a necessidade de aprimoramentos no modelo de classificação, especialmente para os casos de maior suspeição. Como conclusão, o trabalho que a classificação automatizada via segmentação morfológica unida a outros métodos mostram ser viável para análise de mamografias, podendo atingir bons níveis de acurácia em cenários reais. A comparação com métodos manuais reforça a importância da segmentação precisa e da utilização de critérios quantitativos para a redução da subjetividade diagnóstica. Por outro lado, a necessidade de aprimoramento nos filtros morfológicos, balanceamento da base de dados e ajuste fino nos pesos de decisão entre classes para uma melhor identificação de BI-RADS 5, cuja precisão ainda é limitada.