Vantagens e desvantagens dos sistemas de apoio à decisão no diagnóstico de câncer de mama

(1)

Vantagens e desvantagens dos sistemas de apoio à decisão no diagnóstico de câncer de

mama

Kelton Bruno Klein de Farias

¹

, Alissa Peres Penteado

²

1. Bacharel em Biomedicina pela Universidade Estadual de Londrina - UEL e Graduando em Ciência da Computação, Universidade Paulista - UNIP.

2. Mestre em Ciências. Universidade Aberta do Brasil, Universidade Federal de São Paulo - UNIFESP, São Paulo (SP), Brasil.

Resumo

Objetivo: Identificar na literatura científica estudos que empregam sistemas de apoio à decisão no diagnóstico de câncer de mama e analisar quanto às vantagens, limitações e perspectivas futuras. Método: Pesquisa na literatura de artigos publicados entre 2012 e 2016 na base de dados PubMed. Resultados: Foram selecionados oito artigos seguindo os critérios de inclusão. Há trabalhos que tem como objetivo a criação de sistemas de apoio à decisão e a análise de seu desempenho (sensibilidade, especificidade) e trabalhos cujo objetivo foi analisar os sistemas de apoio à decisão com uma abordagem prática. Conclusão Embora sejam tecnologias ainda em desenvolvimento e que necessitam de aprimoramentos, os sistemas de apoio à tomada de decisão apresentam potencial inquestionável no diagnóstico precoce e diminuição das taxas de mortalidade por câncer de mama.

Descritores: Neoplasias de Mama, Diagnóstico, Sistemas de Apoio às Decisões Clinicas.

Introdução

O câncer de mama aparece em segundo lugar dentre os tipos de câncer com maior incidência mundial (excluindo câncer de pele não melanoma), com 1,7 milhões de novos casos e 25% dos tipos de câncer diagnosticados em mulheres em 2012.

Nesta mesma estimativa, somente na América Latina, o câncer de mama representa

o tipo de câncer feminino (excluindo câncer de pele não melanoma) mais incidente,

estimando-se 152 mil novos casos em 2012 (1).

(2)

Nos Estados Unidos, estima-se que tenham sido diagnosticados 231.840 novos casos em mulheres no ano de 2015, valor que representa 29% dos cânceres diagnosticados nesta população com um total de 40.290 mortes (2). No Brasil, estimativas apontam que em 2016 existam 57.960 novos casos de câncer de mama em mulheres, representando 28,1% dos casos diagnosticados nesta população (3).

O projeto GloboCan (1), no ano de 2012, estimou 500 mil mortes por câncer de mama no mundo, o que representa 15% de todos os óbitos por câncer em mulheres, tornando-o o tipo de câncer com a maior mortalidade na população feminina. No Brasil, ocorreram 14.786 óbitos por neoplasias malignas da mama em 2014 (4) (Tabela 1).

Tabela 1 - Mortalidade no Brasil: neoplasias malignas da mama, em 2014.

Região Óbitos

Região Norte 571

Região Nordeste 3097

Região Sudeste 7523

Região Sul 2615

Região Centro-Oeste 980

Total 14786

Fonte: MS/SVS/CGIAE - Sistema de Informações sobre Mortalidade – SIM (4).

Apesar de ser uma doença com alta incidência, principalmente após os 50 anos, o prognóstico é otimista se diagnosticado precocemente (5). A detecção precoce é a principal arma na melhoria dos resultados e sobrevida, principalmente por rastreamento por mamografia (6). Existem evidências de que o rastreio por mamografia pode reduzir aproximadamente 20% da mortalidade (6).

A mamografia é a modalidade mais comum na detecção e diagnóstico do câncer de mamário. O rastreio por mamografia é o único método de triagem, que tem se mostrado eficaz (6) e é muitas vezes complementado por ultrassonografia e ressonância magnética (7).

As imagens médicas são altamente complexas e contém grande quantidade de

informações. Para aperfeiçoar a leitura destas informações podemos melhorar vários

aspectos do processo de diagnóstico, como a aquisição da imagem ou a análise

(extração e classificação de características) (8, 9). Além disso, um diagnóstico eficaz

deve integrar também os dados pessoais do paciente, buscando estender os limites

da própria imagem, pela avaliação de histórico clínico, familiar e de exposição a

(3)

fatores de risco (10) (genéticos, endócrinos, idade, vida reprodutiva, atividade física, alimentação saudável, obesidade, exposição à radiação ionizante) (5, 6).

Buscando melhorar o desempenho dos radiologistas, diminuir a variabilidade na interpretação, aumentar a confiança na decisão e também fornecer uma segunda opinião imediata, foi proposto o uso de sistemas de apoio à decisão (8, 11). Em 2001 menos de 5% das triagens por mamografia eram realizadas com auxílio destes sistemas nos Estados Unidos. De 2002 a 2008 houve um aumento excepcional chegando a 74% (12, 13). A figura 1 representa a evolução da adoção de sistemas de auxílio computadorizados em mamografia em comunidades ligadas ao Consórcio de Vigilância de Câncer de Mama (Breast Cancer Surveillance Consortium - BCSC) nos Estados Unidos.

Figura 1 - Padrões de triagem por mamografia de 2000 a 2012 em comunidades ligadas ao

Consórcio de Vigilância de Câncer de Mama (Breast Cancer Surveillance Consortium - BCSC) nos

Estados Unidos da América (Adaptado de Lehman et al. 2015(14)).

A ideia de utilizar o computador para auxiliar no diagnóstico vem de estudos

dos anos 60, mas somente em 1998 com a aprovação do Image Checker (R2

(4)

Technology, Inc.) pela agência reguladora dos Estados Unidos FDA (Food and Drug Administration) (8, 15) sistemas de apoio à decisão chegaram ao mercado americano.

Em 2012 a FDA estabeleceu duas classificações para sistema de apoio à decisão. O sistema que apresenta reconhecimento de padrões e análise de dados, cujo objetivo é salientar uma região de interesse da imagem para que o radiologista faça sua interpretação, foi classificado como dispositivo detector assistido por computador (computer-assisted detection - CADe). Enquanto isso, um sistema que pretende dar outras informações além da localização e do apontamento na imagem de regiões de interesse, e que qualifica a região avaliando o grau, estágio e severidade da doença, foi classificado como dispositivo de diagnóstico assistido por computador (computer-assisted diagnostic - CADx) (16). No Brasil, o órgão responsável pela supervisão de ferramentas tipo CAD é a ANVISA (Agência Nacional de Vigilância Sanitária), que classifica os sistemas de apoio à decisão como “Software produto para a saúde”, pois realizam processamento de imagens de diagnóstico. Enquadram-se na Lei nº 6.360 de 1976, e, portanto, deve ser feito seu registro para comercialização no Ministério da Saúde conforme nota técnica N°

04/2012/GQUIP/GGTPS/ANVISA (17).

Neste trabalho revisamos alguns estudos que empregaram sistemas CADe e CADx no diagnóstico de câncer de mama, com o intuito de avaliarmos as vantagens, limitações e futuras perspectivas do emprego destes sistemas na interpretação dos resultados pela equipe médica e seu potencial na prática clínica.

Métodos

A busca da literatura foi realizada utilizando os termos sistema de apoio à

decisão, diagnóstico, detecção, mamografia, câncer de mama e seus equivalentes

em inglês e espanhol. A base de dados utilizada para as buscas foi o PubMed

(http://www.ncbi.nlm.nih.gov/pubmed). Os critérios de inclusão são artigos

publicados num período de cinco anos (2012 a 2016) e que estejam disponíveis na

íntegra. Como critérios de exclusão foram eliminados trabalhos cujo contexto divirja

ao objetivo desta revisão, mesmo que sejam utilizados sistemas de apoio à decisão,

como em análise de risco e otimização de tratamento.

(5)

Para serem elegíveis para a inclusão nesta revisão os artigos precisam incluir os termos "sistemas de apoio à decisão" e "câncer de mama", e pelo menos um dos seguintes: diagnóstico, detecção, mamografia.

Resultados

As buscas listaram 17 artigos no total, porém apenas oito foram incluídos neste trabalho, o restante foi descartado de acordo com os critérios de exclusão. Para esta análise, nenhum artigo em português ou espanhol foi localizado. Os artigos selecionados para análise estão sintetizados na tabela 2.

Tabela 2 – Artigos localizados nas bases de dados PubMed (MedLine) (2012-2016), sobre sistemas

de apoio à decisão aplicados no diagnóstico de câncer de mama.

Título Objetivo Resultados

Using Automatically Extracted Information from

Mammography Reports for Decision-

Support (10)

Avaliar um sistema de apoio à decisão para avaliação de laudos de mamografia guiado por processamento de linguagem natural através de rede bayesiana, integrado ao fluxo de trabalho do radiologista.

O sistema de apoio à decisão para avaliação de laudos de mamografia é constituído de 2 módulos, o sistema processador de linguagem natural (NLP) extrai dados estruturados (BI-RADS) do laudo, também extrai dados relacionados ao câncer de mama do histórico pessoal e familiar do paciente, estes dados agora estruturados servem então como entrada para a rede bayesiana (BN), onde o resultado final é a probabilidade de malignidade para cada lesão reportada no laudo. A precisão de extrações de dados dos laudos foi de 98,3%

e revocação (recall) de 98,8%. A precisão e recall para a extração dos dados do histórico familiar foi de 97,7%. A acurácia da BN ao analisar os dados quando incluídos também o histórico foi de 98,14% e 98,15 quando não incluídos.

Breast Cancer Detection with Reduced Feature Set (18)

Avaliar o desempenho de classificadores

computacionais (benigno e maligno): rede neural (ANN), K vizinhos mais próximos (kNN), redes neurais com função de base radial (RBFNN), máquina de vetores suporte (SVM), de produto de redimensionamento por análise de componentes

independentes (ICA) a partir do conjunto de dados diagnóstico de câncer de mama de Wisconsin (WDBC) (aspirados de agulha fina), diminuindo a complexidade e tempo computacional.

WDBC contém um conjunto de 30 características (30F) para cada núcleo das células de biópsias por aspirado de agulha fina, através de análise de componentes independentes foi possível redimensionar para uma dimensão (1F). Os classificadores foram testados e treinados através das técnicas validação cruzada (10- CV) e por partição 20% (20% para teste e 80% para treinamento). Foi então analisada acurácia para cada classificador nas condições 1F e 30F. Foi observado para ANN, kNN e SVM, ligeira baixa de acurácia de 97,55%, 93,14% e 95,25%, respectivamente em 30F, para 90,5%, 91,03% e 90,86%, respectivamente em 1F, com exceção de RBFNN que apresentou alta de 87.17%

para 90.49%. RBFNN também obteve melhora em sensibilidade, passando de 93.55% para 96.63%, o que indica maior sucesso na classificação das amostras malignas. Como a análise de componentes independentes redimensiona os dados do WDBC foi analisado o tempo computacional para a classificação, com o emprego da técnica de 20% houve diminuição do tempo, principalmente para as redes neurais (ANN, RBDNN) e fica mais evidente em 10-CV, diminuindo de 118,21 e 129,84 para 76,72 e 90.49 segundos. Em ambos os casos ICA diminuiu o tempo para kNN e SVM, mas em taxas inferiores que para as redes neurais. Para os classificadores kNN, ANN e SVM, a redução de características reduzido por ICA diminuiu a precisão, a

(6)

exceção foi RBFNN em que houve melhora das taxas.

Para todas as ferramentas ocorreram melhora no tempo de processamento.

A New Hybrid Case- Based Reasoning Approach for Medical Diagnosis Systems (19)

Desenvolver e avaliar uma nova abordagem de sistema CBR que integra raciocínio baseado em casos e de raciocínio baseado em regras, e também aplica novo processo de adaptação automaticamente, através da exploração de regras de adaptação.

Foi desenvolvido em linguagem C#.NET uma nova abordagem híbrida de raciocínio baseado em casos para sistemas de diagnóstico médico. Um novo processo de aprendizagem/adaptação foi adicionado aos passos REUTILIZAR/ADAPTAR (REUSE/ADAPT) do ciclo clássico de um CBR chamado RAZÃO (REASON), neste novo passo regras de raciocínio são aplicados para encontrar uma solução quando o processo REUTILIZAR/ADAPTAR falha. O sistema foi avaliado com dois conjuntos de dados: de mamografias (classificando em 0 = benigno e 1 = maligno) e de doenças da tireoide (classificando em 1 = normal, 2 = hiper, 3 = hipo). Obteve acurácia média de 99,53%

(97.67% - 100%) para tireoide, e 99,33% (98.32% - 100%) para mamografias.

Decision support system for breast cancer detection using mammograms (20)

Avaliar a melhor

combinação de

características extraídas das bases de dados:

Digital Database for Screening Mammography (DDSM) e Singapore Anti- Tuberculosis Association CommHealth (SATA CommHealth), e comparar a acurácia das avaliações de seis diferentes classificadores.

As características foram extraídas pelos métodos:

padrões binários locais (LBP), medida de energia de Laws (LTE), transformada discreta wavelet (DWT), Estatísticas de alta-ordem (HOS), e posteriormente selecionadas e agrupadas. A acurácia da classificação das características extraídas da base DDSM foi abaixo de 77% para todas as combinações de métodos de extração testadas, com exceção da árvore de decisão (DC) que avaliando um conjunto de 20 características (LBP + LTE) e outro conjunto de 34 características (LBP + LTE + DWT + HOS) com acurácia de 81% e 91,6%, respectivamente. Na análise das características extraídas da base SATA CommHealth todos os classificadores apresentaram acurácia abaixo de 78%

para todas as combinações de métodos de extração testadas, com exceção da DC, avaliando LBP + LTE com 27 características e LBP + LTE + DWT + HOS com 29 características , que obteve 92% e 96.30%, respectivamente, e do classificador Panzer, que alcançou acurácia de 91,67% avaliando LBP + LTE + DWT + HOS com 12 características.

Observer Study of a Prototype Clinical Decision Support System for Breast Cancer Diagnosis Using Dynamic Contrast-Enhanced MRI (21)

Avaliar o desempenho de radiologistas utilizando um protótipo de sistema de suporte de decisões clínico (CDS) baseado em estudos de contraste dinâmico de ressonâncias

magnéticas no

diagnóstico e manejo de pacientes com câncer de mama.

O estudo foi realizado com 5 radiologistas com e sem o uso do sistema computadorizado de auxílio à tomada de decisões, para 192 lesões (malignas e benignas) e analisados por gráficos de característica de operação do receptor (ROC). Não foram observadas alterações significativas no desempenho dos radiologistas com o uso do sistema computadorizado de suporte de decisões (área da curva ROC se manteve sem variações significativas – Média 0,8 com p=0,61). A confiança dos radiologistas foi medida pelo pedido ou não de exames posteriores (como biópsia e acompanhamento) e houve aumento significativo de confiança para 3 dos 5 radiologistas com o uso do sistema computadorizado de suporte (de 5,9 para 6,3 com p< 0,001; de 7,0 para 7,2 com p=0,04 e de 4,4 para 5,4 com p<0,001, respectivamente). No entanto, a confiança dos radiologistas foi maior somente para casos de malignidade, enquanto para lesões benignas o radiologista permaneceu em dúvida do diagnóstico correto mesmo quando o computador apresentou imagens de lesões benignas confirmadas para o auxílio da tomada de decisões.

(7)

Standalone computer-aided detection compared to radiologists’

performance for the detection of mammographic masses (22)

Comparar a performance autônoma de um sistema computadorizado de detecção, utilizado para tomada de decisões na identificação de massas

malignas em

mamografias, com a

performance de

radiologistas.

A performance do sistema computadorizado de detecção de massas (CAD) foi comparada com a leitura dada por 9 radiologistas e 3 residentes para 200 mamografias contendo massas (malignas, distorções e densidades assimétricas). Para frações baixas de falsos-positivos (0-0,05), as leituras positivas (corretas) do sistema computadorizado foram similares aos radiologistas (true-positive rate TP=0,487), e quando considerados frações altas de falsos-positivos (> 0,14), o sistema computadorizado teve pior performance que os radiologistas (TP=0, 518 com P<0,001). A performance do sistema computadorizado foi similar a dos residentes para qualquer uma das frações de falso- positivos consideradas. Os resultados indicam que a performance do sistema computadorizado de detecção de massas em mamografias é próxima ao de profissionais treinados e possui alta especificidade, com potencial para ser usado de forma independente em triagens de mamografias.

An Improved Decision Support System for Detection of Lesions in Mammograms Using Differential Evolution Optimized Wavelet Neural Network (23)

Avaliar proposta de rede neural wavelet (WNN) otimizada por algoritmo de evolução diferencial (DEOWNN) como sistema de apoio à decisão para a detecção de massas

tumorais em

mamografias.

O desempenho do sistema de apoio à decisão foi avaliado utilizando um mini banco de dados da Mammographic Image Analysis Society (MIAS), que é constituído de 322 imagens 1024x1024, 208 imagens normais, 63 benignas e 51 malignas. A extração de características foi feita pela medida de energia de Laws das Regiões de Interesse (ROI). Em seguida a classificação das regiões normais e anormais nas mamografias é realizada. O algoritmo de evolução diferencial foi aplicado para a evolução de WNN, otimizando tanto o número de neurônios na camada oculta quanto a taxa de aprendizagem e do fator de momentum, evoluindo a WNN para uma melhor solução.

O algoritmo proposto apresentou sensibilidade de 96,9%, especificidade de 92,9% e a área sob a curva ROC de 0.97843.

Diagnostic Accuracy of Digital Screening Mammography With and Without Computer-Aided Detection (14)

Avaliar o desempenho de radiologistas no rastreamento por mamografia com e sem sistema de detecção computacional (CADe).

Entre 2003 e 2009 625.625 mamografias foram realizadas por 271 radiologistas realizadas em 66

instalações do

Consorcio de Vigilância de Câncer de Mama (Estados Unidos da América). O desempenho dos radiologistas não melhorou com o uso de CADe, a sensibilidade diminuiu significativamente, de 87.3% (sem CADe) para 85,3% (com CADe). Não houve diferença na taxa de detecção do câncer. Não foram encontradas evidências de que o uso de CADe no diagnóstico de câncer mamário no rastreamento por mamografia aumenta o desempenho dos radiologistas.

(8)

Discussão

Analisando os textos podemos classificar os trabalhos em dois grupos, o primeiro tem como objetivo a criação de sistemas de apoio à decisão e a análise de seu desempenho (sensibilidade, especificidade) (10,18,19,20,23). O segundo grupo objetiva analisar os sistemas de apoio à decisão com uma abordagem prática, compara o desempenho de radiologistas com e sem CAD (21,14) ou a comparação do desempenho direto de nova ferramenta com o de radiologistas (22).

Os sistemas de apoio à decisão são ferramentas com grande potencial para auxílio no diagnóstico precoce de câncer de mama, no entanto, os resultados existentes até o momento mostram-se controversos, em parte devido aos estudos conduzidos que apresentam limitações metodológicas. Boroczky et al. (2013) avaliaram um CDS protótipo com auxilio de 5 radiologistas na detecção de lesões de mama por ressonância magnética e não evidenciaram mudança de desempenho, apesar de ter aumentado a confiança dos radiologistas no diagnóstico de lesões malignas. O fato de ser apenas um protótipo pode ter influenciado a confiança dos radiologistas que mesmo diante de um diagnóstico benigno solicitaram biópsia confirmatória, além disso, a velocidade no processamento inferior a que os radiologistas estavam acostumados podem ter também influenciado a avaliação do sistema. Lehman et al. (2015) avaliando 625.625 mamografias de 2003 a 2009, com e sem auxílio de CADe, também não encontraram melhora de desempenho e notaram diminuição significativa da sensibilidade dos resultados, além de um custo elevado de mais de 400 milhões de dólares por ano. Como este estudo analisou diversas instituições por um longo período de tempo (6 anos), a diversidade e qualidade dos sistemas que possam ter sido empregados, além do limitado potencial de uso de CADe, são aspectos que podem ter influenciado no resultado final.

Embora alguns sistemas de apoio à decisão tenham mostrado valores elevados de acurácia (>90%) (23, 20, 10, 22), quando utilizados de maneira independente, estes sistemas apresentam grande potencial como uma segunda opinião para um profissional treinado, uma vez que os radiologistas ainda têm baixa aderência ao diagnóstico fornecido pelo software principalmente no caso de tumores diagnosticados como benignos (21).

Estes sistemas podem ser particularmente importantes quando o radiologista

tem dúvidas quanto ao diagnóstico de uma amostra potencialmente benigna (falso-

positivo) e a opinião do software pode, em alguns casos, ajudar a diminuir a

(9)

ansiedade do paciente eliminando o pedido de exames adicionais, como biópsias (24).

Algumas das principais vantagens identificadas decorrentes do uso destes sistemas são: a maior agilidade no processamento do laudo (10, 11,18), aumento da confiança (21,26), redução da variabilidade de interpretação (25,26), possibilidade de uma segunda opinião imediata, melhora no desempenho dos profissionais, possibilidade de classificação do grau do tumor e diminuição de falso-positivos e de biópsias para tumores benignos. Além disso, estas ferramentas têm potencial de atuação em regiões afastadas que ainda possuem poucos profissionais com alto grau de treinamento através da Telemedicina (27).

Conclusão

O processamento de imagens é um campo computacionalmente complexo. A qualidade dos sistemas é dependente das tecnologias disponíveis e acompanha a evolução tecnológica, sendo necessários investimentos constantes em busca do aprimoramento e criação de novas ferramentas.

A construção destas ferramentas de auxilio à tomada de decisão faz parte de um movimento maior de informatização dos serviços de saúde. Embora sejam tecnologias ainda em desenvolvimento e que necessitam de aprimoramentos, apresentam potencial inquestionável no diagnóstico precoce e diminuição das taxas de mortalidade por câncer de mama.

Referências

1. World Health Organization. International Agency for Research on Cancer. Globocan 2012.

2. Siegel RL, Miller KD, Jemal A. Cancer Statistics, 2015 .CA CANCER J CLIN 2015;65:5–29.

3. Instituto Nacional de Câncer José Alencar Gomes da Silva (Brasil). Estimativa 2016. Incidência do câncer no Brasil. Rio de Janeiro: INCA, 2015.

4. BRASIL. Ministério da Saúde. Secretaria de Vigilância em Saúde. Departamento de Informática do SUS (Datasus). Sistema de Informações sobre Mortalidade - SIM. Disponível em http://www2.datasus.gov.br/DATASUS/index.php?area=0205. Acesso em: 16/10/2016.

5. INCA - Câncer - Tipo - Mama [internet]. Disponível em

http://www2.inca.gov.br/wps/wcm/connect/tiposdecancer/site/home/mama/. Acesso em 8 de

outubro de 2016.

(10)

6. World Health Organization - Breast cancer: prevention and control [internet]. Disponível em http://www.who.int/cancer/detection/breastcancer. Acesso em 8 de outubro de 2016.

7. Ayer T, Ayvaci M, Liu ZX, Alagoz O, Burnside ES. Computer-aided diagnostic models in breast cancer screening. Imaging Med. 2010 Jun 1; 2(3): 313–23. doi:10.2217/IIM.10.24.

8. Tang J, Agaian S, Thompson I. Guest editorial: computer-aided detection or diagnosis (CAD) systems. IEEE Systems Journal. 2014 Setembro. Vol. 8 (3), 907-9. DOI 10.1109/JSYST.2014.2317378.

9. FDA. Quantitative imaging and computer-aided diagnosis. Disponível em http://www.fda.gov/medicaldevices/scienceandresearch/researchprograms/ucm477411.htm . Acesso em 19 de outubro de 2016.

10. Bozkurt S, Gimenez F, Burnside ES, Gulkesen KH, Rubin DL, Using automatically extracted information from mammography reports for decision- support, J. Biomed. Inform. 2016, doi:

http://dx.doi.org/10.1016/j.jbi.2016.07.001.

11. Doi K. Computer-aided diagnosis in medical imaging: achievements and challenges. World Congress on medical physics and biomedical engineering. 2009; 25(5):96.

12. Fenton JJ, Xing G, Elmore JG, et al. Short-term outcomes of screening mammography using computer-aided detection: a population-based study of Medicare enrollees. Ann Intern Med. 2013;

158(8):580-87.

13. Rao VM, Levin DC, Parker L, Cavanaugh B, Frangos AJ, Sunshine JH. How widely is computer- aided detection used in screening and diagnostic mammography? J AmColl Radiol. 2010;7 (10):802-5.

14. – Lehman CD, Wellman RD, Buist DSM, Kerlikowske K, Tosteson ANA, Miglioretti DL. Diagnostic accuracy of digital screening mammography with and without computer-aided detection. JAMA Intern Med. 2015; 175(11):1828-37. doi: 10.1001/jamainternmed.2015.5231.

15. US Food and Drug Administration. Summary of Safety and Effectiveness Data. R2 Technologies

(P970058) 1998. P970058. [internet]. Disponível em

http://www.fda.gov/ohrms/dockets/98fr/123098b.txt. Acesso em 29 de outubro de 2016.

16. U.S. Department of Health and Human Services Food and Drug Administration. Computer-Assisted Detection Devices Applied to Radiology Images and Radiology Device Data - Premarket Notification [510(k)] Submissions. 2012.

17. Agência Nacional de Vigilância Sanitária – ANVISA Gerência Geral de Tecnologia de Produtos para a Saúde - GGTPS Gerência de Tecnologia em Equipamentos - GQUIP. NOTA TÉCNICA N°

04/2012/GQUIP/GGTPS/ANVISA.

(11)

18. Ahmet M, Niyazi K, Erdem B, Aydin A, Breast cancer detection with reduced feature set. Comput Math Methods Med. 2015; 2015:265138 doi:10.1155/2015/265138.

19. Sharaf-El-Deen DA, Moawad IF, Khalifa ME. A new hybrid case-based reasoning approach for medical diagnosis systems. J Med Syst.2014. 38:9. DOI 10.1007/s10916-014-0009-1.

20. Karthikeyan G, Rajendra UA, Chua KC, Lim CM, Betty Mathew, Abraham KT. Decision support system for breast cancer detection using mammograms. J Engineering in Medicine. 2013.

227(7);721-32. DOI: 10.1177/0954411913480669.

21. Boroczky L, Simpson M, Abe H, Drysdale J. Observer study of a prototype clinical decision support system for breast cancer diagnosis using dynamic contrast-enhanced MRI. Am J Roentgenol.

2013. 200:277-83. DOI:10.2214/AJR.12.8718.5.

22. Hupse R, Smulski M, Lobbes M, Heeten A, Imholf-Tas MW, Beijerinck D, Pijnappel R, Boetes C, Karssemeijer N. Standalone computer-aided detection compared to radiologists’ performance for the detection of mammographic masses. Eur Radiol. 2013. 23:93-100. DOI 10.1007/s00330-012- 2562-7.

23. Dheeba J, Selvi ST. An improved decision support system for detection of lesions in mammograms using differential evolution optimized wavelet neural network. J Med Syst.2012. 36:3223–32. DOI 10.1007/s10916-011-9813-z.

24. Burnside ES, Davis J, Chhatwal J, et al. Probabilistic computer model developed from clinical data in national mammography database format to classify mammographic findings. Radiology 2009;251(3):663-72 doi: 2513081346.

25. Jiang Y, Nishikawa RM, Schmidt RA, Toledano AY, Doi K. Potential of computer-aided diagnosis to reduce variability in radiologists’ interpretations of mammograms depicting microcalcifications.