Uma pesquisa da Universidade Federal de Alagoas (Ufal) que aplica inteligência artificial à detecção de câncer de mama foi reconhecida nacionalmente no 21º Congresso Brasileiro de Informática em Saúde (CBIS 2026). O artigo “Detecção de massas mamárias estratificada por tamanho em mamografia: estudo comparativo entre YOLOv11m e RT-DETR-L” recebeu o Prêmio Daniel Sigulem – Excelência em Informática Médica, durante a cerimônia de encerramento do evento, realizado em setembro, em Brasília (DF).

Promovido pela Sociedade Brasileira de Informática em Saúde (SBIS), o CBIS é o principal evento nacional dedicado à informática em saúde e à saúde digital. O congresso reúne pesquisadores, profissionais de saúde, gestores e estudantes de diferentes instituições. Nesta edição, com o tema “Inovação Ética e Sustentável na Saúde Digital Brasileira”, os trabalhos premiados abordaram temas como interoperabilidade, apoio à decisão clínica, inteligência artificial, informática em enfermagem, atenção primária e saúde indígena.

O trabalho premiado tem como autores o professor Marcelo Costa Oliveira, do Instituto de Computação (IC) e do Programa de Pós-Graduação em Informática (PPGI) da Ufal, e os estudantes de graduação em Ciência da Computação da Ufal, Erick Keven da Silva Alves, Wellington Cezário dos Santos e Sandro Gomes Paulino.

A pesquisa integra as atividades do grupo Artificial Intelligence Applied to Computer-Aided Diagnosis (Icad), coordenado pelo professor Marcelo Costa Oliveira, com foco em inteligência artificial aplicada à saúde, telessaúde e apoio à decisão médica. O estudo faz parte do projeto RastreIA-Mulher, financiado pelo Programa Pesquisa para o SUS (PPSUS), em parceria com o Ministério da Saúde, CNPq e Fapeal.

“Ser premiado no principal congresso de saúde digital do país, em uma edição com recorde de submissões, reforça a qualidade da pesquisa em inteligência artificial aplicada à saúde desenvolvida no Instituto de Computação da Ufal. O fato do trabalho ter sido conduzido por estudantes de graduação evidencia o alto nível da formação acadêmica e científica oferecida pela nossa universidade”, destaca o professor Marcelo.

O Prêmio Daniel Sigulem é dedicado à excelência em informática médica e homenageia o professor da Universidade Federal de São Paulo (Unifesp), um dos pioneiros da informática em saúde no Brasil. Como mencionado pelo docente, a seleção dos trabalho reforça a relevância da premiação. A edição de 2026 do CBIS registrou recorde de submissões: foram 440 trabalhos, 53% a mais que na edição de 2024, envolvendo 1.487 autores. O processo de avaliação mobilizou 107 avaliadores voluntários, responsáveis por 608 avaliações ao longo de cinco semanas.

Esta é a segunda premiação nacional do grupo Icad em 2026. Em junho, o grupo conquistou o prêmio de Melhor Artigo no Simpósio Brasileiro de Computação Aplicada à Saúde (SBCAS 2026), em Ouro Preto (MG), com uma pesquisa sobre o uso de modelos de linguagem na estruturação de laudos de tomografia de tórax em português. Para saber mais, clique aqui.

Lesões pequenas que podem passar despercebidas

O câncer de mama é a neoplasia maligna mais incidente entre as mulheres brasileiras, excluindo-se os tumores de pele não melanoma. Segundo estimativas do Instituto Nacional de Câncer (Inca), a projeção é de que surjam 78.610 novos casos por ano no Brasil entre 2026 e 2028. A mamografia constitui uma das principais estratégias de rastreamento, permitindo identificar alterações suspeitas antes do aparecimento de sintomas. A detecção da doença em estágios iniciais está associada a melhores prognósticos, com taxas de sobrevida relativa em cinco anos superiores a 95% para tumores diagnosticados em estágio localizado, segundo dados internacionais.

Apesar de sua importância, o acesso ao rastreamento mamográfico e aos profissionais especializados permanece desigual no Brasil. Segundo a Pesquisa Nacional de Saúde de 2019, apenas 58,3% das mulheres entre 50 e 69 anos haviam realizado mamografia nos dois anos anteriores, percentual que diminuía para 41,6% nas áreas rurais. Essa desigualdade também se reflete na distribuição de radiologistas: dados do Colégio Brasileiro de Radiologia (2025) indicam 13,18 profissionais por 100 mil habitantes no Sudeste, contra 7,68 no Nordeste e 4,72 no Norte.

Além das barreiras de acesso, a interpretação de mamografias apresenta desafios técnicos importantes. Massas mamárias pequenas, de baixo contraste ou sobrepostas a estruturas do tecido mamário, podem ser difíceis de identificar, especialmente em mamas densas. Essas características aumentam o risco de resultados falsos negativos, nos quais alterações suspeitas deixam de ser identificadas durante a interpretação do exame.

Nesse contexto, modelos de inteligência artificial baseados em aprendizado profundo (deep learning) apresentam potencial para auxiliar os radiologistas na identificação de lesões mamárias. Entretanto, avaliações baseadas exclusivamente em métricas agregadas podem ocultar diferenças importantes no desempenho dos algoritmos conforme o tamanho das lesões. A análise estratificada por dimensão das massas mamárias torna-se, portanto, fundamental para identificar os modelos mais sensíveis à detecção de lesões pequenas, contribuindo para o desenvolvimento de sistemas de apoio ao diagnóstico mais precisos e seguros.

A proposta da pesquisa

O estudo realizado na Ufal avaliou comparativamente duas arquiteturas de inteligência artificial, baseadas em aprendizado profundo (deep learning), para a detecção automatizada de massas mamárias em imagens de mamografia: o YOLOv11m utiliza redes neurais convolucionais para identificar características visuais em diferentes escalas, enquanto o RT-DETR-L emprega a arquitetura Transformer, baseada em mecanismos de atenção que permitem analisar relações entre diferentes regiões da imagem.

Para a investigação, os pesquisadores integraram três bases de imagens mamográficas de diferentes centros de pesquisa, totalizando 2.341 massas mamárias identificadas em 1.713 imagens. As lesões foram organizadas em três categorias de acordo com suas dimensões: pequenas (até 19,4 mm), médias (acima de 19,4 mm até 36,3 mm) e grandes (acima de 36,3 mm). Essa estratificação permitiu investigar como o tamanho das lesões influencia o desempenho dos algoritmos, com atenção especial às massas pequenas, cuja identificação representa um desafio para os sistemas automatizados de detecção.

A avaliação considerou métricas de desempenho, incluindo precisão, sensibilidade e capacidade de localização das lesões, complementadas por testes estatísticos para verificar a significância das diferenças observadas. Essa abordagem permitiu uma comparação mais detalhada entre as arquiteturas, buscando identificar suas vantagens e limitações na detecção de massas mamárias de diferentes dimensões.

Resultados e impacto

Os resultados demonstraram que o desempenho dos modelos de inteligência artificial varia conforme o tamanho das lesões mamárias. O RT-DETR-L apresentou maior sensibilidade nas três faixas de tamanho, mostrando-se mais adequado para estratégias de triagem que priorizam a identificação de lesões suspeitas e a redução de falsos negativos.

Entretanto, na detecção de massas pequenas, o RT-DETR-L apresentou maior ocorrência de falsos positivos, enquanto o YOLOv11m obteve melhor equilíbrio entre precisão e sensibilidade (F1-score). Esses resultados indicam o potencial de uma abordagem híbrida, combinando a maior sensibilidade do RT-DETR-L com a capacidade do YOLOv11m de refinar a detecção de lesões menores.

Uma contribuição científica relevante do estudo da Ufal foi demonstrar que métricas agregadas de desempenho podem ocultar diferenças significativas entre arquiteturas de IA, evidenciando a importância de avaliações estratificadas pelo tamanho das lesões.

Os resultados apresentam potencial de aplicação no rastreamento mamográfico do Sistema Único de Saúde (SUS), especialmente pela possibilidade de utilização dos modelos em infraestrutura computacional de custo moderado. A pesquisa, atualmente, encontra-se em fase pré-clínica, sendo necessárias validações com exames de mamografia da população brasileira antes de sua aplicação na prática assistencial.

“Nosso objetivo é desenvolver ferramentas de inteligência artificial que auxiliem os radiologistas na identificação de lesões mamárias suspeitas, reduzindo a possibilidade de falsos negativos e contribuindo para um rastreamento mais seguro e acessível no SUS”, destaca o professor Marcelo Oliveira.

A pesquisa foi financiada pelo Programa Pesquisa para o SUS (PPSUS), com recursos do Ministério da Saúde, CNPq, Secretaria de Estado da Saúde de Alagoas (Sesau-AL) e Fundação de Amparo à Pesquisa do Estado de Alagoas (Fapeal). A participação dos estudantes no CBIS 2026 contou com o apoio da Pró-Reitoria Estudantil (Proest) da Ufal.

Clique aqui para conferir os premiados do CBIS 2026.

Ascom Ufal