Author(s): Miranda, Ana ; Alves, Diana ; Miranda, Joana
Date: 2025
Origin: ROENTGEN - Revista Científica das Técnicas Radiológicas
Subject(s): Breast Cancer; Artificial Intelligence; Mammography; Medical Imaging; Radiologists; Cancro da Mama; Inteligência Artificial; Mamografia; Imagem Médica; Radiologistas
Breast cancer is the most common type of cancer among women worldwide, with mammogram being the gold standard for its detection. For decades, radiologists have been able to rely on computer algorithms to analyse mammographic images, but these have never been fully implemented in practice. The emergence of deep learning algorithms, which enable systems to learn complex patterns from data, has led to growing interest in their application. This study aims to review the main challenges in implementing artificial intelligence in mammography diagnosis. A review of the current literature revealed main obstacles, including validation in clinical practice, data privacy and quality, the need for large amounts of data, system explainability, implementation costs, over-reliance on AI-based diagnoses, and the difficulty of integrating different diagnostic modalities. Although these tools have the potential to revolutionize medical imaging, further studies are needed to overcome these limitations.
O cancro de mama é o tipo de cancro mais comum entre as mulheres em todo o mundo. Para a sua deteção o gold standard é a realização de mamografia, e já há várias décadas que os radiologistas se podem apoiar em algoritmos de computador para analisar as imagens resultantes, mas estes nunca foram verdadeiramente implementados. O aparecimento de algoritmos baseados em deep learning, que permitem aos sistemas aprender padrões complexos a partir de dados, levou a um crescente interesse na sua aplicação. Este estudo pretende rever os principais desafios para a implementação de inteligência artificial no diagnóstico por mamografia. A análise da literatura atual revelou que os principais desafios incluem a validação na prática clínica, a privacidade e qualidade dos dados, a necessidade de uma grande quantidade de dados, a explicabilidade dos sistemas, os custos de implementação, a confiança excessiva nestes diagnósticos e a dificuldade na integração de diferentes modalidades diagnósticas. Apesar destas ferramentas terem o poder de revolucionar a imagem médica são necessários mais estudos que permitam superar estas limitações.
