O câncer de mama é o tipo de câncer que mais atinge mulheres no Brasil, sendo também o câncer que causa o maior número de mortes neste mesmo grupo. Segundo informações do Instituto Nacional de Câncer (Inca), estima-se que 73.610 novos casos da doença sejam registrados em 2025. Considerando a importância do diagnóstico e do tratamento precoce, pesquisadores da Escola de Engenharia de São Carlos (EESC) da USP desenvolveram um método capaz de melhorar a performance de modelos de previsão do câncer de mama e diminuir o número de falsos negativos nos resultados. O estudo, que trabalhou com algoritmos que realizam diagnósticos de alta precisão, registrou uma redução de 99,41% dos falsos negativos presentes nas bases de dados utilizadas.
Algoritmos de aprendizado de máquina (machine learning) são muito úteis na área médica por aprenderem a identificar anormalidades com a análise de grandes quantidades de dados. Porém, João Pinheiro, mestrando na área de Inteligência Artificial na EESC, comenta ao Jornal da USP que problemas complexos, como o diagnóstico correto de uma doença grave, requerem que muitas métricas sejam avaliadas além da acurácia – proporção dos acertos do modelo pelo número de previsões realizadas. “Tem outras métricas que são mais importantes. (…) É um problema complexo de se tratar porque as métricas são correlacionadas. Se eu apenas focar no falso negativo também, vou deixar outras métricas muito baixas e o modelo vai perder a qualidade.”
A escolha em trabalhar com diagnósticos de câncer de mama também não foi por acaso. “É uma área muito rica em coleção de dados que podemos utilizar. Atendia às necessidades de provar quais seriam os modelos com melhor desempenho e tinha uma quantidade de dados suficiente e de boa qualidade”, declara Marcelo Becker, professor no Departamento de Engenharia Mecânica da EESC e coautor do estudo. Outra vantagem do enfoque escolhido foi a facilidade de comparação com outros modelos, justamente pela vasta disponibilidade de dados e pesquisas anteriores sobre o assunto.
