RESUMO:
Objetivo: O objetivo deste trabalho foi avaliar os resultados de um software baseado em algoritmo de inteligência artificial para predição do risco de malignidade em nódulos mamários. Materiais e Métodos: Estudo retrospectivo e unicêntrico que avaliou 555 nódulos mamários submetidos a biópsia percutânea em um centro de referência oncológico. Os achados ultrassonográficos foram classificados de acordo com o léxico do BI-RADS. As imagens foram analisadas pelo software Koios DS Breast e divididas em benigna ou provavelmente benigna, suspeita baixa ou intermediária, suspeita alta ou provavelmente maligna. O resultado histopatológico foi considerado como padrão ouro. Resultados: A média de idade das pacientes foi de 51 anos e o tamanho médio dos nódulos foi de 16 mm. A sensibilidade e a especificidade foram de 99,1% e 34,0% para o radiologista e 98,2% e 39,0% para o software, respectivamente. O valor preditivo positivo para malignidade para as categorias BIRADS foi semelhante para o radiologista e para o software. Foram identificados dois resultados falso-negativos na avaliação pelo radiologista que foram classificados como suspeitos pelo software, e quatro resultados falso-negativos na avaliação pelo software que foram classificados como suspeitos pelo radiologista. Conclusão: Na nossa amostra, o software de inteligência artificial demonstrou resultados comparáveis à avaliação pelo radiologista.

ABSTRACT:
Objective: To evaluate the results obtained with an artificial intelligence-based software for predicting the risk of malignancy in breast masses from ultrasound images. Materials and Methods: This was a retrospective, single-center study evaluating 555 breast masses submitted to percutaneous biopsy at a cancer referral center. Ultrasonographic findings were classified in accordance with the BI-RADS lexicon. The images were analyzed by using Koios DS Breast software and classified as benign, probably benign, low to intermediate suspicion, high suspicion, or probably malignant. The histological classification was considered the reference standard. Results: The mean age of the patients was 51 years, and the mean mass size was 16 mm. The radiologist evaluation had a sensitivity and specificity of 99.1% and 34.0%, respectively, compared with 98.2% and 39.0%, respectively, for the software evaluation. The positive predictive value for malignancy for the BI-RADS categories was similar between the radiologist and software evaluations. Two false-negative results were identified in the radiologist evaluation, the masses in question being classified as suspicious by the software, whereas four false-negative results were identified in the software evaluation, the masses in question being classified as suspicious by the radiologist. Conclusion: In our sample, the performance of artificial intelligence-based software was comparable to that of a radiologist.