Modelo de IA NYU-DRP Prediz Risco de Câncer de Mama em Cinco Anos a Partir de Mamografias 3D

NYU Langone Health anunciou em 10 de setembro de 2026 que pesquisadores da NYU Langone Health e do Perlmutter Cancer Center desenvolveram uma ferramenta de deep learning, chamada NYU-DRP, que estima o risco de uma mulher desenvolver câncer de mama em cinco anos ao analisar suas mamografias 3D realizadas ao longo de vários anos.

Um Modelo de Deep Learning Baseado em Mamografias 3D Longitudinais

A ferramenta analisa tomossíntese digital de mama longitudinal, ou DBT longitudinal, o registro de mamografias 3D que uma mulher acumula ao longo de exames anuais repetidos. O estudo de validação, intitulado “Predicting 5-Year Breast Cancer Risk From Longitudinal Digital Breast Tomosynthesis: A Single-Center Retrospective Study”, foi publicado no American Journal of Roentgenology online em 12 de agosto de 2026, após aceitação em 3 de agosto de 2026, e possui o DOI 10.2214/AJR.26.34951.

O artigo afirma que seu objetivo foi desenvolver e avaliar um modelo de deep learning que utiliza exames de DBT longitudinal para prever o risco de câncer de mama a longo prazo. Seus autores observam que os modelos de predição de risco de câncer de mama baseados em imagem têm usado principalmente a mamografia digital de campo completo, ou FFDM, e que, embora a DBT tenha se tornado uma modalidade de rastreamento predominante nos Estados Unidos, seu potencial para predição de risco a longo prazo ainda está pouco explorado.

“Nosso estudo mostra como modelos de IA como o NYU-DRP podem ser usados para determinar de forma confiável o risco futuro de câncer de mama de uma mulher com base em mamografias 3D existentes, que contêm informações sobre como o tecido mamário mudou ao longo de múltiplas triagens ao longo do tempo”, disse o investigador principal Yanqi Xu, PhD, bolsista de pós‑doutorado no Departamento de Radiologia da NYU Grossman School of Medicine e no Perlmutter Cancer Center.

Coorte Retrospectiva e Resultados Reportados

De acordo com o estudo publicado, a análise retrospectiva abrangeu 313.335 exames de DBT de 161.077 mulheres com idade média de 58,5 anos, realizadas entre janeiro de 2016 e agosto de 2020 em uma única instituição de saúde. O comunicado da NYU Langone descreve o NYU-DRP como criado a partir de 313.531 mamografias 3D anuais de 161.165 mulheres sem câncer de mama que foram submetidas a exames nos hospitais da NYU Langone entre 2016 e 2020.

O modelo DRP estima o risco de câncer de mama de dois a cinco anos a partir de exames de DBT longitudinal, idade da paciente e densidade mamária. Os pesquisadores o compararam com um modelo de DBT de ponto único, com o modelo Mirai usando FFDM no mesmo dia e com o modelo clínico de risco Tyrer‑Cuzick, medindo o desempenho com a AUC, índice de concordância dependente do tempo e métricas de escore integrado de Brier.

Em um conjunto de teste independente de 34.570 exames, o artigo relata que o modelo DRP longitudinal alcançou uma AUC de cinco anos de 0,721 (IC 95 %, 0,698–0,744), superando o modelo de ponto único, que obteve 0,707 (IC 95 %, 0,683–0,730), e o modelo Mirai, que obteve 0,687 (IC 95 %, 0,663–0,710), ambos com p < 0,001. O comunicado caracteriza esses resultados como classificando corretamente as mulheres com risco mais alto em 72 %, 70 % e 68 % das vezes, respectivamente.

Em uma coorte caso‑controle pareada de 432 mulheres, o artigo relata uma AUC de cinco anos de 0,676 (IC 95 %, 0,626–0,726) para o modelo DRP contra 0,563 (IC 95 %, 0,509–0,619; p < 0,001) para o modelo Tyrer‑Cuzick, comparação que o comunicado apresenta como 67 % versus 56 %. Segundo o comunicado, o Tyrer‑Cuzick não envolve IA nem exames de mamografia, baseando‑se em informações médicas pessoais e familiares, como idade, mutações genéticas e densidade mamária confirmada por resultados de biópsia; a comparação incluiu 432 mulheres, com metade pareada a mulheres de idade e histórico semelhantes cujos resultados de cinco anos diferiram.

O estudo também relata que a densidade mamária isoladamente não corresponde ao risco previsto. Entre os exames de mulheres com mamas extremamente densas, o modelo classificou 39,7 % (746 de 1.877) como risco médio, com uma incidência de câncer de cinco anos observada de 0,8 % (6 de 746); entre os exames de mulheres com mamas gordurosas, classificou 14,8 % (386 de 2.605) como alto risco, com uma incidência observada de 2,6 % (10 de 386). O comunicado, que observa que o tecido mamário denso é conhecido por aumentar o risco de câncer, relata essas proporções como 37,6 % e 0,7 %, e como 15,5 % e 2,5 %, respectivamente.

O investigador sênior do estudo, Yiqiu “Artie” Shen, PhD, professor assistente no Departamento de Radiologia da NYU Grossman School of Medicine e no Perlmutter Cancer Center, afirmou que os achados demonstram que mamografias 3D repetidas contêm informações sobre o risco futuro de câncer de mama de uma mulher que não são totalmente capturadas nem pela densidade mamária nem por uma única mamografia. Os pesquisadores observaram que menos de 3 % das mulheres testadas durante o estudo, que terminou em 2025, desenvolveram câncer de mama, e que todos os exames foram realizados com equipamentos de imagem mamária fabricados pela Hologic Inc. de Marlborough, Massachusetts; o artigo identifica o desenho como um estudo retrospectivo de centro único.

Os autores concluem que um modelo de deep learning que utiliza exames de DBT longitudinal aprimorou a predição de risco de câncer de mama a longo prazo em comparação com modelos baseados em FFDM e modelos clínicos de risco, e afirmam que o impacto clínico reside no potencial de informar avaliações de risco dinâmicas usando imagens de rastreamento e de apoiar estratégias futuras de rastreamento personalizado.

Validação Planejada, Financiamento e Contexto de Rastreamento

“Se experimentos futuros em outras mulheres com câncer de mama provarem ser bem‑sucedidos, então mamografias 3D assistidas por IA como o NYU‑DRP poderão ajudar os médicos a adaptar melhor o rastreamento ao risco real de uma mulher, identificando aquelas que podem se beneficiar de rastreamento adicional enquanto evitam exames suplementares desnecessários para as de risco mais baixo”, disse a co‑investigadora do estudo Laura Heacock, MD, professora associada no Departamento de Radiologia da NYU Grossman School of Medicine e no Perlmutter Cancer Center.

Shen afirmou que a equipe planeja, a seguir, usar o programa de DBT longitudinal para monitorar proativamente a saúde mamária das mulheres, observando como a ferramenta impacta sua saúde e quem desenvolve câncer de mama. Os pesquisadores também planejam compartilhar e validar a ferramenta com dados de outros centros acadêmicos de saúde e com dados de diferentes fabricantes de mamografias 3D.

O apoio financeiro ao estudo veio da bolsa da National Science Foundation 1922658, da bolsa dos National Institutes of Health R01EB036530, do Milstein Pilot Project Fund, do Shifrin‑Myers Breast Cancer Discovery Fund e da Manhasset Women’s Coalition Against Breast Cancer. Além de Xu, Shen e Heacock, os co‑investigadores do estudo foram Jungkyu Park, Felicia Pasadyn, Qi Lei, Alana Lewin, Krzysztof Geras, Linda Moy e Freya Schnabel, e o artigo indica Shen como autor correspondente.

O comunicado situa o estudo no contexto das estatísticas de rastreamento dos EUA: estima‑se que 1 em cada 8 mulheres nos Estados Unidos será diagnosticada com câncer de mama ao longo da vida, com aproximadamente 382.640 mulheres esperadas para diagnóstico em 2026. A taxa de sobrevida relativa de cinco anos ultrapassa 99 % quando o câncer de mama é detectado em estágios iniciais, mais de 4 milhões de sobreviventes de câncer de mama vivem atualmente no país, mais de 43 milhões de mamografias foram realizadas em 2025, e especialistas agora recomendam rastreamento anual de mamografia a partir dos 40 anos de idade.