Viés racial na inteligência artificial para mamografia: um desafio à justiça e à equidade diagnóstica no BrasilRESUMO
Introdução: A aplicação de inteligência artificial à mamografia tem-se mostrado promissora para aprimorar o rastreamento do câncer de mama, reduzindo a variabilidade interpretativa e otimizando a detecção precoce. Entretanto, variações de desempenho entre diferentes grupos populacionais e contextos clínicos suscitam preocupações sobre a validade e a equidade dos sistemas utilizados.
Objetivo: Revisar o uso de inteligência artificial em mamografia, com foco em desempenho diagnóstico, vieses de representação, implicações éticas e desafios regulatórios para a incorporação segura no Brasil.
Método: Revisão integrativa entre janeiro de 2016 e janeiro de 2025 nas bases PubMed, Scopus e Web of Science. Foram incluídos estudos multicêntricos, revisões sistemáticas, metanálises e análises regulatórias e éticas. Excluíram-se publicações sem revisão por pares e artigos não relacionados diretamente à mamografia. Após triagem e leitura crítica, trinta e quatro estudos foram selecionados para síntese qualitativa.
Resultados: Os sistemas de aprendizado profundo apresentam desempenho semelhante ao de radiologistas experientes e podem reduzir o número de exames repetidos quando utilizados como apoio à leitura humana. Contudo, observam-se diferenças de sensibilidade e especificidade entre grupos raciais e contextos demográficos, associadas à sub-representação de determinadas populações nos conjuntos de treinamento e à ausência de validação externa em cenários diversos. No Brasil, a carência de bases de dados representativas e interoperáveis aumenta o risco de vieses não detectados e limita a generalização dos resultados.
Conclusão: A adoção responsável da inteligência artificial na mamografia requer validação clínica local em diferentes regiões e grupos populacionais, utilização sistemática de métricas de equidade, transparência regulatória e supervisão humana contínua. A combinação entre governança ética, auditoria independente e participação de profissionais e pacientes é essencial para que os ganhos tecnológicos se traduzam em benefícios clínicos sustentáveis e justos.
PALAVRAS-CHAVE:
Mamografia; Inteligência artificial; Viés algorítmico; Disparidades raciais; Equidade
ABSTRACT
Introduction: The application of artificial intelligence to mammography has shown promise to improve breast cancer screening, reducing interpretative variability and optimizing early detection. However, variations in performance between different population groups and clinical settings raise concerns about the validity and equity of the systems used.
Objective: To review the use of artificial intelligence in mammography, focusing on diagnostic performance, representation biases, ethical implications, and regulatory challenges for safe incorporation in Brazil.
Method: Integrative review between January 2016 and January 2025 in the PubMed, Scopus, and Web of Science databases. Multicenter studies, systematic reviews, meta-analyses, and regulatory and ethical analyses were included. Publications without peer review and articles not directly related to mammography were excluded. After screening and critical reading, thirty-four studies were selected for qualitative synthesis.
Results: Deep learning systems perform similarly to experienced radiologists and can reduce the number of repeat scans when used as a support for human reading. However, differences in sensitivity and specificity are observed between racial groups and demographic contexts, associated with the underrepresentation of certain populations in the training sets and the absence of external validation in different scenarios. In Brazil, the lack of representative and interoperable databases increases the risk of undetected biases and limits the generalization of results.
Conclusion: Responsible adoption of artificial intelligence in mammography requires local clinical validation across different regions and population groups, systematic utilization of equity metrics, regulatory transparency, and ongoing human oversight. The combination of ethical governance, independent auditing, and the participation of professionals and patients is essential for technological gains to translate into sustainable and fair clinical benefits.
KEYWORDS:
Mammography; Artificial intelligence; Algorithmic bias; Racial disparities; Equity
INTRODUÇÃO
O câncer de mama permanece como a neoplasia maligna mais incidente entre mulheres, representando cerca de um quarto de todos os novos diagnósticos anuais. Em 2020, foram estimados mais de 2,3 milhões de casos e aproximadamente 685 mil mortes em todo o mundo.1 No Brasil, as diretrizes nacionais recomendam mamografia bienal para mulheres de 50-69 anos; entretanto, a cobertura populacional é heterogênea, com menores taxas nas regiões Norte e Nordeste e entre mulheres negras e pardas, refletindo desigualdades estruturais que contribuem para diagnósticos em estágios mais avançados.2-4
Nos últimos anos, sistemas de inteligência artificial (IA) aplicados à interpretação mamográfica têm demonstrado maior acurácia diagnóstica e menor variabilidade interobservador em estudos multicêntricos.5-7 Contudo, resultados de validação externa revelam desempenho desigual entre subgrupos populacionais, com redução de sensibilidade e/ou especificidade em mulheres de grupos sub-representados, sobretudo hispânicas e negras, em comparação às brancas.8,9 Essa disparidade evidencia limitações na generalização dos algoritmos, especialmente em contextos com diversidade étnica e sociocultural, como o brasileiro.
No Brasil, a ausência de repositórios nacionais amplos, interoperáveis e estratificados por raça/cor, aliada à dependência de algoritmos desenvolvidos e validados no exterior, acentua o risco de viés algorítmico e inequidade diagnóstica.2,10 Esses fatores podem impactar diretamente o tempo até o diagnóstico, o acesso ao tratamento oportuno e, consequentemente, os desfechos clínicos.
Diante desse cenário, esta revisão sintetiza a literatura nacional e internacional sobre o uso da IA na mamografia, com foco em desempenho diagnóstico, vieses algorítmicos e equidade, além de discutir implicações éticas, regulatórias e operacionais para implementação segura e contextualizada no sistema de saúde brasileiro.
MÉTODO
Foi conduzida revisão integrativa da literatura sobre a aplicação da IA na mamografia, abrangendo publicações entre janeiro de 2016 e janeiro de 2025. As buscas foram realizadas nas bases PubMed/MEDLINE, Scopus e Web of Science, utilizando combinações dos descritores “mammography”, “artificial intelligence”, “algorithmic bias”, “racial disparities” e “equity”. O processo de seleção seguiu critérios de inclusão e exclusão pré-definidos, priorizando estudos de alta relevância metodológica e pertinência temática.
Foram incluídas metanálises, revisões sistemáticas, estudos observacionais multicêntricos, ensaios técnicos de validação, bases de dados de imagem, além de análises regulatórias e éticas relacionadas à utilização da IA em imagem mamográfica. Foram excluídos trabalhos duplicados, pré-prints não revisados por pares e artigos cujo foco principal não estivesse diretamente vinculado à mamografia. Ao final do processo de triagem, trinta e sete estudos e fontes foram considerados mais relevantes para a análise crítica e sintetizados na Tabela.
A leitura integral e a avaliação crítica desses estudos permitiram a extração sistemática de informações sobre a composição dos conjuntos de dados utilizados, as métricas de desempenho relatadas, a presença ou ausência de estratificação por raça e etnia, e as estratégias de mitigação de viés descritas. As evidências foram analisadas de forma integrada, buscando identificar padrões de desempenho, limitações metodológicas e potenciais implicações éticas e regulatórias.
Complementarmente, foram incorporados dados nacionais provenientes de relatórios oficiais do Instituto Nacional de Câncer (INCA) e do Ministério da Saúde, contemplando indicadores de acesso ao rastreamento, estadiamento ao diagnóstico e mortalidade por câncer de mama. Essa integração teve como objetivo contextualizar os achados internacionais à realidade epidemiológica brasileira.
RESULTADOS
A incorporação de sistemas de IA à mamografia tem evoluído de forma consistente, com modelos baseados em aprendizado profundo, em especial redes neurais convolucionais, alcançando desempenho comparável ao de radiologistas experientes na detecção de microcalcificações, distorções arquiteturais e massas, inclusive em cenários de alto volume.5,11 Ensaios multicêntricos indicam que a utilização de IA como ferramenta de apoio à dupla leitura humana aumenta a taxa de detecção de cânceres sem acréscimo substancial de falsos-positivos ou de biópsias desnecessárias, além de reduzir o número de recalls e otimizar fluxos operacionais, sobretudo em ambientes com escassez de radiologistas.6,7,12 Entretanto, a generalização desses sistemas depende criticamente da diversidade e da qualidade dos conjuntos de treinamento e validação. Bancos amplamente utilizados, como DDSM, INbreast, CMMD e OPTIMAM, apresentam composição racial e geográfica limitada, frequentemente sem metadados sociodemográficos completos, o que restringe a validade externa e aumenta a possibilidade de viés amostral.13-16 Em consonância com essas limitações, estudos de validação externa documentam quedas de sensibilidade e/ou especificidade em subgrupos sub-representados.8,9 No Brasil, a literatura aponta potenciais benefícios operacionais da IA, como triagem de exames presumivelmente normais e priorização de casos suspeitos, mas persistem barreiras estruturais relevantes: ausência de repositórios nacionais interoperáveis e representativos, dependência de soluções importadas e integração limitada entre sistemas de informação, que comprometem a validação clínica ampla.2
As evidências acumuladas demonstram que o desempenho de algoritmos de IA aplicados à mamografia pode variar entre grupos populacionais. Essa variação relaciona-se à sub-representação de mulheres negras, pardas, indígenas e outras minorias nos conjuntos de treinamento e à escassez de validação em contextos demograficamente diversos.10,17 Em validação externa de um modelo ensemble de aprendizado profundo em coorte diversa (37.317 exames; rede Athena/UCLA), Hsu et al. observaram que o alto desempenho relatado em coortes mais homogêneas não se generalizou, com sensibilidade e especificidade significativamente menores em subgrupos específicos, incluindo mulheres hispânicas e mulheres com história prévia de câncer de mama.8 De forma convergente, algoritmos aplicados a populações historicamente sub atendidas podem apresentar maior taxa de subdiagnóstico.9 Além da composição amostral, o fenômeno de deslocamento de domínio (domain shift) reduz a generalização de modelos treinados em populações homogêneas quando aplicados a contextos epidemiológicos distintos.18,19 No Brasil, a carência de repositórios estratificados por raça/cor e a adoção de algoritmos desenvolvidos no exterior sem validação local ampliam o risco de erro diagnóstico em subgrupos sub-representados.2 A mitigação dessas disparidades requer avaliação estratificada de desempenho e uso de métricas específicas de equidade, como equalized odds, disparate impact ratio e paridade demográfica, reportadas antes da implementação e monitoradas em vigilância pós-mercado.19,20 Ainda assim, a maioria dos estudos publicados em IA para mamografia não reporta resultados estratificados por raça ou etnia, o que limita substancialmente a avaliação da equidade.20,21
As desigualdades no rastreamento mamográfico no Brasil constituem contexto determinante para a incorporação segura da IA. Apesar de previsto na Política Nacional de Atenção Oncológica e garantido pelo SUS, a cobertura mamográfica permanece abaixo da meta de 70% preconizada pela Organização Mundial da Saúde. Um estudo ecológico de base populacional estimou mediana de apenas 21,6% de cobertura entre as microrregiões de saúde (intervalo interquartílico de 8,1% a 37,9%)2 e, segundo a Pesquisa Nacional de Saúde (PNS) de 2019, 58,3% das mulheres de 50 a 69 anos realizaram mamografia nos dois anos anteriores, com percentuais inferiores nas regiões Norte (43,2%) e Nordeste (49,5%).22 Análises da PNS de 2013 e 2019 identificaram a cor parda/preta, a menor renda e escolaridade e a residência nas regiões Norte e Nordeste entre os determinantes da não realização do exame, evidenciando iniquidades raciais e socioeconômicas de acesso.3,23 Essas disparidades acentuam-se onde há menor densidade de equipamentos e profissionais, além de barreiras logísticas relevantes, como longos deslocamentos em áreas rurais e ribeirinhas.2 Durante a pandemia de COVID-19, o número de mamografias de rastreamento no SUS caiu cerca de 44% em 2020, com reduções que variaram de 25% na região Norte a 48% no Nordeste, acompanhadas de aumento na proporção de diagnósticos em estágios avançados.24,25 Nesse cenário, a adoção de modelos de IA treinados em populações homogêneas, sem validação local estratificada e monitoramento por subgrupos, pode inadvertidamente ampliar desigualdades de acurácia e acesso, caso não sejam implementadas medidas de mitigação, como repositórios nacionais representativos, interoperabilidade dos sistemas, indicadores estratificados e auditorias independentes.2,7
A regulação da IA aplicada ao rastreamento mamográfico exige arcabouço que assegure desempenho clínico, segurança e equidade. Diretrizes internacionais convergem para a necessidade de validação representativa pré-mercado e vigilância pós-implementação com transparência de resultados por subgrupo.20,21,26 Nos Estados Unidos, a Food and Drug Administration (FDA) classifica tais sistemas como software as a Medical Device (SaMD) e recomenda validação com amostras estratificadas, além de monitoramento pós-mercado e controle de versões.21,26 No Reino Unido, a MHRA adota princípios alinhados ao AI Act europeu, enfatizando rastreabilidade, divulgação de métricas e mitigação de desigualdades.27,28 AI Act classifica aplicações em saúde como de alto risco, exigindo governança algorítmica, testes de robustez, auditorias independentes e relato de indicadores de equidade.28 No Brasil, a regulação de dispositivos médicos ainda carece de exigências específicas para modelos de IA, sem distinção clara entre modelos estáticos e adaptativos e sem exigir validação clínica local representativa.29 Essa lacuna regulatória favorece o uso de algoritmos treinados em contextos demográficos distintos, com potencial de viés descrito em estudos prévios.8,9 A avaliação de equidade deve incorporar métricas específicas, como equalized odds, disparate impact ratio e paridade demográfica ajustada, com intervalos de confiança, calibração por subgrupo e margens de não-inferioridade pré-especificadas.18,19 Para o contexto nacional, recomenda-se que a aprovação regulatória seja condicionada à validação multicêntrica no país, estratificada por raça/cor, idade, densidade mamária, região e nível socioeconômico, incluindo desfechos clínicos relevantes. A vigilância pós-mercado deve prever auditorias independentes, relatórios públicos de desempenho estratificado e mecanismos de recalibração. Um registro nacional de algoritmos, contendo informações sobre proveniência dos dados, versionamento e métricas de equidade, contribuiria para transparência e governança.30
A dimensão ética e epistemológica da IA em mamografia transcende a avaliação técnica. O viés algorítmico reflete desigualdades nos processos de produção e curadoria de dados, que determinam quem é representado e quem permanece invisível.10,31 Modelos treinados em populações homogêneas tendem a apresentar degradação de desempenho em subgrupos minoritários, infringindo o princípio bioético da justiça.32,33 O viés de automação, por sua vez, pode levar à aceitação acrítica de saídas algorítmicas, especialmente sob pressão assistencial, exigindo supervisão humana significativa (human-in-the-loop), transparência sobre incertezas, rastreabilidade das decisões e protocolos de override.34,35 Além disso, há a dimensão da injustiça epistêmica: quando certos corpos e sinais clínicos são sub representados nos dados, tornam-se menos reconhecidos como fontes legítimas de conhecimento.17,36 No contexto brasileiro, a dependência de soluções importadas e a escassez de bases estratificadas ampliam esse desajuste entre modelo e realidade assistencial. Estratégias técnicas, como data augmentation direcionado, reponderação de amostras, calibração por subgrupos e ajustes de limiar, podem reduzir disparidades, desde que acompanhadas de métricas de equidade e desfechos clínicos relevantes.18 A adoção de ethics-by-design, governança transparente e participação de usuários e pacientes é essencial para que os ganhos de desempenho se traduzam em benefício distribuído e não em amplificação de desigualdades.30,32,33
Por fim, as perspectivas futuras apontam que a integração da IA ao rastreamento mamográfico no Brasil tem potencial para ampliar a detecção precoce e padronizar leituras, desde que sustentada por validação em populações diversas e monitoramento contínuo com desempenho estratificado.18,20 A criação de repositórios nacionais multicêntricos e interoperáveis, com anotação sociodemográfica padronizada e variáveis clínicas e técnicas detalhadas, é prioritária.10,30 A geração de evidências deve ocorrer em ensaios pragmáticos conduzidos no país, com desfechos clínicos relevantes e métricas de equidade pré-especificadas.19,20 Na operação clínica, a IA deve atuar como suporte ao julgamento médico, com capacitação contínua, protocolos de override e vigilância de deriva de desempenho.34,35 Dados representativos, validação multicêntrica estratificada e governança inclusiva são condições essenciais para que a inovação em IA contribua para reduzir, e não ampliar, as desigualdades no diagnóstico precoce do câncer de mama.10,20
Como referido, a busca incluiu trinta e sete estudos e fontes, compilados e sintetizados na Tabela.
DISCUSSÃO
Os achados desta revisão indicam que a IA aplicada à mamografia representa avanço substancial no rastreamento do câncer de mama, com potencial para ampliar a detecção precoce e otimizar fluxos diagnósticos.5-7,12 No entanto, a consolidação dessa promessa depende de condições estruturais, regulatórias e éticas que assegurem desempenho consistente e equitativo.18,20,21 A literatura demonstra que, embora sistemas de aprendizado profundo possam atingir acurácia semelhante à de radiologistas experientes, o benefício clínico agregado é altamente sensível à diversidade dos conjuntos de treinamento e validação.13-16 A ausência de representatividade demográfica, especialmente em relação à raça, etnia e contexto socioeconômico, reduz a validade externa dos algoritmos e pode produzir vieses sistemáticos que perpetuam desigualdades diagnósticas.2,8-10
Essas disparidades não decorrem apenas de limitações técnicas, mas de processos históricos de produção e circulação de dados que refletem desigualdades sociais e raciais preexistentes.10,31 O viés algorítmico, ao reproduzir padrões de exclusão observados na prática clínica e nos sistemas de saúde, adquire relevância ética e política.37 Diferenças de sensibilidade e especificidade documentadas entre populações distintas ilustram que a generalização de modelos sem validação local pode comprometer diretamente o princípio de justiça diagnóstica.8,9 No contexto brasileiro, essa questão é particularmente crítica: o país combina ampla heterogeneidade populacional com fragilidade de infraestrutura de dados, resultando em alto risco de adoção de modelos desenvolvidos em ambientes epidemiológicos e técnicos distintos.2,3
A análise integrada dos estudos evidencia que a simples incorporação de IA ao rastreamento não garante redução de desigualdades. Pelo contrário, quando aplicada de modo acrítico, a tecnologia pode acentuar assimetrias de acesso e de precisão diagnóstica.2,12,19 Essa constatação reforça a necessidade de abordagem sistêmica, na qual inovação tecnológica, política pública e governança ética se articulem. Modelos de validação multicêntrica, com estratificação por subgrupos e monitoramento contínuo, devem constituir requisito regulatório.20,21,26 A experiência internacional demonstra que arcabouços robustos, como os da FDA, da Medicines and Healthcare products Regulatory Agency e o European AI Act, favorecem maior transparência, rastreabilidade e mitigação de riscos.21,27,28 A ausência de exigências equivalentes no Brasil representa uma lacuna significativa e potencialmente geradora de iniquidades.29
Além das dimensões técnicas e regulatórias, esta revisão destaca aspectos epistemológicos frequentemente negligenciados. A produção de conhecimento em IA médica tem sido marcada por concentração geográfica e institucional, com predomínio de dados provenientes de poucos centros e populações homogêneas.10,31 Essa concentração gera o que pode ser descrito como injustiça epistêmica algorítmica: certos corpos e contextos permanecem menos visíveis para o aprendizado de máquina, o que restringe a legitimidade de suas experiências clínicas como fonte de conhecimento.17,36
No caso da mamografia, isso se traduz em modelos potencialmente menos sensíveis a padrões radiológicos associados a determinados grupos, faixas etárias ou densidades mamárias, o que pode reforçar exclusões históricas.17 A resposta a esse problema não se limita a ajustes técnicos, mas requer governança participativa, ética de coautoria e envolvimento ativo de comunidades afetadas no ciclo de desenvolvimento e validação.33
Do ponto de vista operacional, as evidências sugerem que a IA pode ser particularmente útil em sistemas de saúde com escassez de radiologistas, como o brasileiro, atuando na triagem de exames presumivelmente normais e na priorização de casos suspeitos.2,6,7 No entanto, a eficiência não deve ser perseguida em detrimento da equidade. A redução de recalls e o aumento da produtividade, embora desejáveis, só se traduzem em benefício populacional quando acompanhados de desempenho equivalente entre subgrupos.18,20,21 A implementação de métricas de equidade, com monitoramento longitudinal e transparência pública, é condição necessária para legitimar o uso clínico e regulatório da IA.19,20
O debate ético sobre o papel da supervisão humana também emerge como central. O viés de automação, caracterizado pela aceitação acrítica das saídas algorítmicas, pode fragilizar o julgamento clínico e obscurecer limitações do modelo.35 Estratégias de human-in-the-loop, protocolos de override e interfaces que tornem visíveis a incerteza e a justificativa das decisões são componentes indispensáveis de uso responsável.34 Além disso, a vigilância pós-implementação deve incluir detecção automática de deriva de dados e desempenho, com gatilhos objetivos para recalibração e revalidação.18,20
A análise das desigualdades estruturais no rastreamento mamográfico brasileiro fornece contexto essencial para a incorporação da IA. A baixa cobertura, as barreiras regionais e raciais e a dependência de modelos importados indicam que a tecnologia, se mal implementada, pode reproduzir e até ampliar as desigualdades já documentadas.2-4,24 Por outro lado, se acompanhada de políticas públicas voltadas à representatividade de dados, infraestrutura digital interoperável e mecanismos de auditoria independente, a IA pode funcionar como instrumento de correção de iniquidades.2,28
Finalmente, a convergência entre ciência de dados, política regulatória e bioética aponta para a necessidade de um paradigma de ethics-by-design, no qual a equidade não seja apenas resultado a ser medido, mas princípio constitutivo do desenvolvimento tecnológico.30,33,36 A criação de repositórios nacionais multicêntricos, a exigência de validação local estratificada, a transparência pública de métricas e a inclusão de pacientes e profissionais nos processos decisórios configuram os pilares de um ecossistema de inovação responsável.20,28,30 Sob essa perspectiva, a IA deixa de ser mero instrumento de eficiência diagnóstica e torna-se componente de uma agenda mais ampla de justiça diagnóstica e de fortalecimento do SUS como política de Estado.
Em síntese, a integração ética e equitativa da IA à mamografia exige superar a lógica de adoção tecnológica centrada na performance média e reconhecer que o valor clínico da inovação depende de sua capacidade de beneficiar de modo justo e sustentável as populações que historicamente permanecem à margem do progresso diagnóstico.30,32,33
CONCLUSÕES
A aplicação de IA à mamografia demonstra potencial para ampliar a detecção de câncer de mama e reduzir o recall quando empregada como complemento à leitura humana. Entretanto, a heterogeneidade de desempenho entre subgrupos evidencia que métricas agregadas não asseguram equidade diagnóstica e podem ocultar perdas clinicamente relevantes em populações sub representadas. A equidade, portanto, deve ser tratada não como um subproduto da eficiência, mas como critério central de validação e de vigilância. No contexto brasileiro, a incorporação responsável requer validação multicêntrica local com amostras estratificadas, uso sistemático de métricas de equidade e vigilância pós-mercado transparente por subgrupo, em consonância com referenciais regulatórios internacionais. A disponibilidade de bases de dados representativas, associada à governança robusta e à documentação técnica pública, é condição essencial para evitar a transferência acrítica de modelos treinados em contextos demográficos distintos. Na prática clínica, a IA deve atuar como instrumento de apoio ao julgamento médico, e não como substituto da decisão humana. Supervisão contínua, exposição explícita de incerteza e protocolos de override são elementos indispensáveis de segurança e legitimidade. Modelos de implementação participativa e auditoria independente fortalecem a confiança e permitem identificar falhas não capturadas por métricas agregadas.
REFERÊNCIAS
-
1 Deng T, Zi H, Guo XP, Luo LS, Yang YL, Hou JX, et al. Global, regional, and national burden of breast cancer, 1990-2021, and projections to 2050: a systematic analysis of the Global Burden of Disease Study 2021. Thorac Cancer. 2025;16(9):e70052. https://doi.org/10.1111/1759-7714.70052
» https://doi.org/10.1111/1759-7714.70052 -
2 Nogueira MC, Fayer VA, Corrêa CSL, Guerra MR, De Stavola B, Dos-Santos-Silva I, et al. Inequities in access to mammographic screening in Brazil. Cad Saúde Pública. 2019;35(6):e00099817. https://doi.org/10.1590/0102-311X00099817
» https://doi.org/10.1590/0102-311X00099817 -
3 Silva JL, Albuquerque LZ, Rodrigues MES, Thuler LCS, Melo ACM. Ethnic disparities in breast cancer patterns in Brazil: examining findings from population-based registries. Breast Cancer Res Treat. 2024;206(2):359-367. https://doi.org/10.1007/s10549-024-07314-w
» https://doi.org/10.1007/s10549-024-07314-w -
4 Santos MO, Lima FCS, Martins LFL, Oliveira JFP, Almeida LM, Cancela MC. Estimativa de incidência de câncer no Brasil, 2023-2025. Rev Bras Cancerol. 2023;69(1):e-213700. https://doi.org/10.32635/2176-9745.RBC.2023v69n1.3700
» https://doi.org/10.32635/2176-9745.RBC.2023v69n1.3700 -
5 McKinney SM, Sieniek M, Godbole V, Godwin J, Antropova N, Ashrafian H, et al. International evaluation of an AI system for breast cancer screening. Nature. 2020;577(7788):89-94. https://doi.org/10.1038/s41586-019-1799-6
» https://doi.org/10.1038/s41586-019-1799-6 -
6 Elhakim MT, Stougaard SW, Graumann O, Larsen LB, Nielsen M, Foldager CB, et al. Breast cancer detection accuracy of AI in an entire screening population: a retrospective, multicentre study. Cancer Imaging. 2023;23(1):127. https://doi.org/10.1186/s40644-023-00643-x
» https://doi.org/10.1186/s40644-023-00643-x -
7 Sharma N, Ng AY, James JJ, Khara G, Ambrózay É, Austin CC, et al. Multi-vendor evaluation of artificial intelligence as an independent reader for double reading in breast cancer screening on 275,900 mammograms. BMC Cancer. 2023;23(1):460. https://doi.org/10.1186/s12885-023-10890-7
» https://doi.org/10.1186/s12885-023-10890-7 -
8 Hsu W, Hippe DS, Nakhaei N, Wang PC, Zhu B, Siu N, et al. External validation of an ensemble model for automated mammography interpretation by artificial intelligence. JAMA Netw Open. 2022;5(11):e2242343. https://doi.org/10.1001/jamanetworkopen.2022.42343
» https://doi.org/10.1001/jamanetworkopen.2022.42343 -
9 Seyyed-Kalantari L, Zhang H, McDermott MBA, Chen IY, Ghassemi M. Underdiagnosis bias of artificial intelligence algorithms applied to chest radiographs in under-served patient populations. Nat Med. 2021;27(12):2176-2182. https://doi.org/10.1038/s41591-021-01595-0
» https://doi.org/10.1038/s41591-021-01595-0 -
10 Larrazabal AJ, Nieto N, Peterson V, Milone DH, Ferrante E. Gender imbalance in medical imaging datasets produces biased classifiers for computer-aided diagnosis. Proc Natl Acad Sci U S A. 2020;117(23):12592-12594. https://doi.org/10.1073/pnas.1919012117
» https://doi.org/10.1073/pnas.1919012117 -
11 Lundervold AS, Lundervold A. An overview of deep learning in medical imaging focusing on MRI. Z Med Phys. 2019;29(2):102-27. https://doi.org/10.1016/j.zemedi.2018.11.002
» https://doi.org/10.1016/j.zemedi.2018.11.002 -
12 Zeng A, Houssami N, Noguchi N, Nickel B, Marinovich ML. Frequency and characteristics of errors by artificial intelligence (AI) in reading screening mammography: a systematic review. Breast Cancer Res Treat. 2024;207(1):1-13. https://doi.org/10.1007/s10549-024-07353-3
» https://doi.org/10.1007/s10549-024-07353-3 -
13 Lee RS, Gimenez F, Hoogi A, Miyake KK, Gorovoy M, Rubin DL. A curated mammography data set for use in computer-aided detection and diagnosis research. Sci Data. 2017;4:170177. https://doi.org/10.1038/sdata.2017.177
» https://doi.org/10.1038/sdata.2017.177 -
14 Moreira IC, Amaral I, Domingues I, Cardoso A, Cardoso MJ, Cardoso JS. INbreast: toward a full-field digital mammographic database. Acad Radiol. 2012;19(2):236-248. https://doi.org/10.1016/j.acra.2011.09.014
» https://doi.org/10.1016/j.acra.2011.09.014 -
15 Cai H, Wang J, Dan T, Li J, Fan Z, Yi W, et al. An online mammography database with biopsy confirmed types for machine diagnosis of breast (CMMD). Sci Data. 2023;10(1):123. http://doi.org/10.1038/s41597-023-02025-1
» http://doi.org/10.1038/s41597-023-02025-1 -
16 Halling-Brown MD, Warren LM, Ward D, Lewis E, Mackenzie A, Wallis MG, et al. OPTIMAM mammography image database: a large-scale resource of mammography images and clinical data. Radiol Artif Intell. 2021;3(1):e200103. https://doi.org/10.1148/ryai.2020200103
» https://doi.org/10.1148/ryai.2020200103 -
17 Gichoya JW, Banerjee I, Bhimireddy AR, Burns JL, Celi LA, Chen LC, et al. AI recognition of patient race in medical imaging: a modelling study. Lancet Digit Health. 2022;4(6):e406-14. https://doi.org/10.1016/s2589-7500(22)00063-2
» https://doi.org/10.1016/s2589-7500(22)00063-2 -
18 Garrucho L, Kushibar K, Jouide S, Diaz O, Igual L, Lekadir K. Domain generalization in deep learning based mass detection in mammography: a large-scale multi-center study. Artif Intell Med. 2022;132:102386. https://doi.org/10.1016/j.artmed.2022.102386
» https://doi.org/10.1016/j.artmed.2022.102386 -
19 Gianfrancesco MA, Tamang S, Yazdany J, Schmajuk G. Potential biases in machine learning algorithms using electronic health record data. JAMA Intern Med. 2018;178(11):1544-7. https://doi.org/10.1001/jamainternmed.2018.3763
» https://doi.org/10.1001/jamainternmed.2018.3763 -
20 Kolbinger FR, Veldhuizen GP, Zhu J, Truhn D, Kather JN. Reporting guidelines in medical artificial intelligence: a systematic review and meta-analysis. Commun Med. 2024;4(1):71. https://doi.org/10.1038/s43856-024-00492-0
» https://doi.org/10.1038/s43856-024-00492-0 -
21 Muralidharan V, Adewale BA, Huang CJ, Nta MT, Ademiju PO, Pathmarajah P, et al. A scoping review of reporting gaps in FDA-approved AI medical devices. NPJ Digit Med. 2024;7(1):273. https://doi.org/10.1038/s41746-024-01270-x
» https://doi.org/10.1038/s41746-024-01270-x - 22 Instituto Brasileiro de Geografia e Estatística (IBGE). Pesquisa Nacional de Saúde 2019: ciclos de vida - Brasil. Rio de Janeiro: IBGE; 2021.
-
23 Silva DMd, Cavalcante YA, Oliveira BLCAd, Lopes MVdO, Fernandes AFC, Pinheiro AKB, et al. Determinantes sociais de saúde associados à realização de mamografia segundo a Pesquisa Nacional de Saúde de 2013 e 2019. Ciênc Saúde Coletiva. 2025;30(1):e11452023. https://doi.org/10.1590/1413-81232025301.11452023
» https://doi.org/10.1590/1413-81232025301.11452023 -
24 Furlam TO, Gomes LM, Machado CJ. COVID-19 e rastreamento do câncer de mama no Brasil: uma análise comparativa dos períodos pré-pandêmico e pandêmico. Ciênc Saúde Coletiva. 2023;28(1):223-30. https://doi.org/10.1590/1413-81232023281.06442022
» https://doi.org/10.1590/1413-81232023281.06442022 -
25 Rocha AFBM, Freitas-Junior R, Ferreira GLR, Rodrigues DCN, Rahal RMS. COVID-19 and breast cancer in Brazil. Int J Public Health. 2023;68:1605485. https://doi.org/10.3389/ijph.2023.1605485
» https://doi.org/10.3389/ijph.2023.1605485 -
26 Gerke S, Babic B, Evgeniou T, Cohen IG. The need for a system view to regulate artificial intelligence/machine learning-based software as medical device. NPJ Digit Med. 2020;3(1):53. https://doi.org/10.1038/s41746-020-0262-2
» https://doi.org/10.1038/s41746-020-0262-2 -
27 Medicines and Healthcare products Regulatory Agency (MHRA). Software and AI as a Medical Device Change Programme - Roadmap. London: MHRA; 17 out. 2022. Disponível em: https://www.gov.uk/government/publications/software-and-ai-as-a-medical-device-change-programme/software-and-ai-as-a-medical-device-change-programme-roadmap
» https://www.gov.uk/government/publications/software-and-ai-as-a-medical-device-change-programme/software-and-ai-as-a-medical-device-change-programme-roadmap -
28 Laux J, Wachter S, Mittelstadt B. Trustworthy artificial intelligence and the European Union AI Act: on the conflation of trustworthiness and acceptability of risk. Regul Gov. 2024;18(1):3-32. https://doi.org/10.1111/rego.12512
» https://doi.org/10.1111/rego.12512 -
29 Jambor D. Avaliação regulatória de software como dispositivo médico com foco na inclusão e equidade nas aplicações de inteligência artificial em saúde. Rev Direito Sanit. 2025;25(1):e0017. https://doi.org/10.11606/issn.2316-9044.rdisan.2025.231708
» https://doi.org/10.11606/issn.2316-9044.rdisan.2025.231708 -
30 Gebru T, Morgenstern J, Vecchione B, Vaughan JW, Wallach H, Daumé III H, et al. Datasheets for datasets. Commun ACM. 2021;64(12):86-92. http://doi.org/10.1145/3458723
» http://doi.org/10.1145/3458723 -
31 Mittelstadt BD, Allo P, Taddeo M, Wachter S, Floridi L. The ethics of algorithms: mapping the debate. Big Data Soc. 2016;3(2):2053951716679679. http://doi.org/10.1177/2053951716679679
» http://doi.org/10.1177/2053951716679679 -
32 Chen IY, Joshi S, Ghassemi M. Treating health disparities with artificial intelligence. Nat Med. 2020;26(1):16-7. https://doi.org/10.1038/s41591-019-0649-2
» https://doi.org/10.1038/s41591-019-0649-2 -
33 Gerke S, Minssen T, Cohen G. Ethical and legal challenges of artificial intelligence-driven healthcare. In: Bohr A, Memarzadeh K, editors. Artificial Intelligence in Healthcare. London: Academic Press; 2020. p. 295-336. https://doi.org/10.1016/B978-0-12-818438-7.00012-5
» https://doi.org/10.1016/B978-0-12-818438-7.00012-5 -
34 Lyell D, Coiera E. Automation bias and verification complexity: a systematic review. J Am Med Inform Assoc. 2017;24(2):423-31. https://doi.org/10.1093/jamia/ocw105
» https://doi.org/10.1093/jamia/ocw105 -
35 Goddard K, Roudsari A, Wyatt JC. Automation bias: a systematic review of frequency, effect mediators, and mitigators. J Am Med Inform Assoc. 2012;19(1):121-7. https://doi.org/10.1136/amiajnl-2011-000089
» https://doi.org/10.1136/amiajnl-2011-000089 -
36 De Proost M, Pozzi G. Conversational artificial intelligence and the potential for epistemic injustice. Am J Bioeth. 2023;23(5):51-3. https://doi.org/10.1080/15265161.2023.2191020
» https://doi.org/10.1080/15265161.2023.2191020 -
37 Obermeyer Z, Powers B, Vogeli C, Mullainathan S. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 2019;366(6464):447-53. https://doi.org/10.1126/science.aax2342
» https://doi.org/10.1126/science.aax2342
-
Como citar este artigo
Farias LGM, Siqueira ACC, dos Santos KFA, Zini C, Linder T. Viés racial na inteligência artificial para mamografia: um desafio à justiça e à equidade diagnóstica no Brasil. BioSCIENCE. 2026;84:e00019. https://doi.org/10.55684/2026.84.pt.e00019
-
Mensagem Central
A aplicação de inteligência artificial à mamografia tem-se mostrado promissora para aprimorar o rastreamento do câncer de mama, reduzindo a variabilidade interpretativa e otimizando a detecção precoce. Entretanto, variações de desempenho entre diferentes grupos populacionais e contextos clínicos suscitam preocupações sobre a validade e a equidade dos sistemas utilizados
-
Perspectiva
A adoção responsável da inteligência artificial na mamografia requer validação clínica local em diferentes regiões e grupos populacionais, utilização sistemática de métricas de equidade, transparência regulatória e supervisão humana contínua. A combinação entre governança ética, auditoria independente e participação de profissionais e pacientes é essencial para que os ganhos tecnológicos se traduzam em benefícios clínicos sustentáveis e justos.
-
Financiamento:
Nenhum
-
Disponibilidade de dados:
Dados disponíveis junto ao autor correspondente, mediante solicitação fundamentada
Editado por
-
Editor Associado:
Débora Azeredo Pacheco Dias da Costa https://orcid.org/0000-0002-4637-8266
Dados disponíveis junto ao autor correspondente, mediante solicitação fundamentada
