Scene 1

Uma imagem contendo foto, olhando, vista, diferente

Descrição gerada automaticamente

Interface gráfica do usuário

Descrição gerada automaticamente com confiança média

APLICAÇÃO DA INTELIGÊNCIA ARTIFICIAL NO DIAGNÓSTICO PRECOCE DE CÂNCER DE MAMA: UMA REVISÃO SISTEMÁTICA

Scene 2

⇨ 14 milhões de casos novos/ano de câncer. ⇨ Responsável por 15% das 56 milhões de mortes. ⇨ No Brasil o câncer de mama é o mais incidente.

proliferação anormal de células da mama

Scene 3

⇨ O método mais eficiente para cura do câncer de mama é a detecção precoce:

Scene 4

10% e 30% do câncer de mama maligno não foram detectados.  Exames de rotina por especialistas.

Colaboram para surgimento de novos sistemas.  Detecção Auxiliado por Computador (DAC ou CAD).

⇨ CAD funciona como 2ª opinião para os radiologistas.  eleva grau de precisão;  usa técnicas advindas de outras áreas do conhecimento.

Scene 5

Desenho de um círculo

Descrição gerada automaticamente com confiança baixa

Ícone

Descrição gerada automaticamente

Scene 6

Scene 7

⇨ Buscas de artigos disponíveis nas bases de dados:  Biblioteca do Centro Universitário São Camilo;  PubMed;  SciELO;  Google Acadêmico. ⇨ Buscas de artigos por meio de descritores:   Mammography ;   CAD ;   Artificial Intelligence ;   Breast Cancer .

Scene 8

t&ib
(PMD
DLits-tot,
(CAL)
Costela II
Fåscia peitoral
Espap
retromamårio
Tela subcutånea
M. peitoral menor (P2)
M. peitoral maior (Pl)
42 espap intercostal
Löbulos da glåndula
mamåria (repouso)
Costela VI
Löbulos da glåndula
mamåria (lactante) (M)

⇨ Presentes na região do tórax.  Formadas por tecido glandular e fibroso.

⇨ Sistemas ductais e lobulares:  Tecido conjuntivo e adiposo.

Scene 9

⇨ Possuem a finalidade de:  Descrição;  Localização anatômica.

Scene 10

⇨ O câncer apresenta crescimento desordenado de células:  Agressivas e incontroláveis;  Divisão rápida;  Invasão de tecidos e órgãos vizinhos.

Gráfico

Descrição gerada automaticamente

⇨ Variação das causas do câncer:  Externas: meio ambiente e hábitos;  Internas: fatores genéticos.

Scene 11

⇨ Crescimento controlado:  Aumento localizado e autolimitado;  Estímulo fisiológico ou patológico;  Efeito reversível;  Exemplos:

⇨ Crescimento não controlado:  Desenvolvimento de células anormais;  Efeito persiste;  Exemplos: Neoplasias

Célula geneticamente
alterada
Displasia
Cåncer in situ
Cåncer invasivo
Vaso
sanguineo

Scene 12

⇨ Carcinomas da mama são tumores malignos.  Adenocarcinomas (originados das células epiteliais).

⇨ Na detecção precoce:  presença de linfonodos palpáveis aumentados.

Scene 13

⇨ Carcinoma  in situ :  Primeiro estágio de desenvolvimento;  Lesão epitelial proliferativa;  Considerada maligna;  Classificadas nas formas lobular e ductal;  Podem necessitar de tratamento agressivo.

Scene 14

⇨ Carcinoma Lobular  in situ  (CLIS):  Proliferação focada nas unidades lobulares ductais terminais (TDLUs);  Afeta comumente mulheres na pré-menopausa (49 a 50 anos);  Células:

Tela de computador

Descrição gerada automaticamente

núcleos centralizados pequenos; núcleos redondos a ovais; núcleo com membrana nuclear lisa; bordas indistintas.

Scene 15

⇨ Carcinoma Ductal  in situ  (CDIS):  Presente em 62% a 98% dos casos;  Proliferação de células tumorais dentro da unidade lobular ductal terminal;  Classificada de acordo com:

padrão arquitetônico; grau do tumor; presença ou ausência de necrose.

Interface gráfica do usuário, Aplicativo, Excel

Descrição gerada automaticamente

Scene 16

⇨ Carcinoma Lobular Invasivo (ILC):  Compreende cerca de 15% dos casos;  Fenótipo de bom prognóstico;  Crescimento descoesivo;

descoesas; dispersas; dispostas em fila no estroma fibroso; pequenas e monomórficas; núcleos ovóides.

desregulação da adesão célula-célula

Scene 17

⇨ Carcinoma Ductal Invasivo (IDC):  Representa 70% a 80% dos casos;  Sem características histológicas específicas;  Iniciam-se nos ductos e se estendem-se para tecidos adjacentes;  Maior envolvimento linfático;  Pior prognóstico.

Scene 18

⇨ O câncer apresenta causa variadas como:  Fatores endócrinos;  História reprodutiva;  Menarca precoce (< 12 anos);  Menopausa tardia (> 55 anos).

Imagem digital fictícia de personagem de desenho animado

Descrição gerada automaticamente com confiança baixa

Scene 19

⇨ O tumor mamário pode duplicar de tamanho.  Caso não tratado pode sofrer metástases.

Desenho de uma pessoa

Descrição gerada automaticamente com confiança média

Logotipo, Ícone

Descrição gerada automaticamente

Desenho de personagem

Descrição gerada automaticamente com confiança média

Scene 20

⇨ Diagnóstico do câncer de mama ocorre por:

maior número de biópsias de lesões benignas.

Desenho de rosto de pessoa visto de perto

Descrição gerada automaticamente com confiança baixa

Scene 21

Uma imagem contendo no interior, pessoa, homem, frente

Descrição gerada automaticamente

⇨ Aplicadas incidências:  Craniocaudal (CC);   Médio-lateral oblíqua (MLO).

Uma imagem contendo Texto

Descrição gerada automaticamente

Scene 22

Os intervalos de exames de mamografia podem afetar o prognóstico do câncer de mama

⇨ Tecido adiposo:  Escuro e transparente.

Scene 23

⇨ Principais indicações:  Avaliação de pacientes jovens;  Gestantes ou lactantes com alteração clínica da mama;  Avaliação de nódulos palpáveis em mamas densas.

⇨ Limitação na detecção e caracterização:  Calcificações e distorções arquitetônicas.

Desenho de personagem de desenho animado

Descrição gerada automaticamente com confiança baixa

Scene 24

⇨ Principais indicações:  Distinção de recorrência tumoral;  Estadiamento;  Programação pré-operatória.

⇨ Produção da imagem nos planos axial, sagital e coronal.

avalia alterações detectadas por mamografia ou ultrassonografia.

Scene 25

Fonte:  imagens cedidas pelo Rafael Emídio (arquivo pessoal)

Uma imagem contendo foto, muitos, grupo, cheio

Descrição gerada automaticamente

⇨ Contraste é fundamental na detecção e caracterização das mamas.

⇨ Imagens ponderadas em T1.  Com saturação.

Scene 26

⇨ Os sinais e sintomas suspeitos e de referência urgente são:  Nódulo mamário (> 30 anos) que persiste por mais de um ciclo menstrual;  Nódulo mamário endurecido e fixo ou aumentado em mulheres adultas;  Presença de linfadenopatia axilar.

Uma imagem contendo Ícone

Descrição gerada automaticamente

Diagrama

Descrição gerada automaticamente com confiança baixa

Scene 27

Tabela

Descrição gerada automaticamente

⇨ Identifica lesões pré-cancerígenas em estágio inicial.  Em indivíduos com doença assintomática

⇨ O ECM e a mamografia no Brasil são utilizadas no rastreamento.

Scene 28

⇨ Mamografia classificadas:  (BI-RADS ® ).

Scene 29

⇨ Na mamografia:  Quanto  ⇧  a densidade mamária,  ⇧  as chances de tumores malignos.

tecido fibroglandular  em tons claros (branco)

⇨ Dificulta a visualização de tumores.  Em níveis de cinza similar ao tecido fibroglandular;  Resulta no baixo contraste em mamas densas.

Scene 30

⇨ Na mamografia:  Quanto  ⇩  a densidade mamária,  ⇩  as chances de câncer de mama.

maior quantidade de gordura apresenta-se escura.

em relação ao tecido fibroglandular (branco).

Scene 31

Utiliza BI-RADS ®  e/ou uma categoria aos nódulos ou massas mamárias.

Scene 32

⇨ Detecta apenas lesões  ⇩  de 3 cm.

⇨ Utiliza marcas sobrepostas em áreas suspeitas.

Uma imagem contendo Logotipo

Descrição gerada automaticamente

Uma imagem contendo carro, monitor, trem, ônibus

Descrição gerada automaticamente

Scene 33

aprendizagem;  armazenamento de conhecimento.

⇨ Utiliza algoritmos que entendem conceitos.

resolvendo problemas e realizando tarefas.

⇨ Aprimora o diagnóstico, prognóstico e tratamento:

Scene 34

⇨ Um método de aprendizado de máquina.

⇨ Utilizada em problemas de reconhecimento de padrões e classificações.

⇨ Se diferenciam-se pela:  Arquitetura;

Foto em preto e branco

Descrição gerada automaticamente

Logotipo

Descrição gerada automaticamente

Scene 35

⇨ Levantamento bibliográfico na base de dados:  PubMed.

⇨ Utilizados os filtros:   Humanos;   Mulheres e meia idade: 45 a 64 anos;   Período de 2010 a 2021;   Opção “ free full text ”

⇨ Utilizados os descritores:   Mammography and breast cancer and CAD;   Mammography and breast cancer and CAD and artificial intelligence;

Logotipo, nome da empresa

Descrição gerada automaticamente

Ícone

Descrição gerada automaticamente com confiança média

Scene 36

Mammography
Breast cancer
N = 726
N = 50
N = 429 676
CAD
N = 51.472
Artificial intelligence
N = 119.727
N = 38.483
Filtros:
Humanos
Mulheres
Meia Idade: 45 a 64 anos
2010 a 2021
Free full text
Critérios de exclusäo

⇨ Uma pessoa da dupla:  Título e resumo = 19 artigos.  Texto completo = 7 artigos.

⇨ Outra pessoa da dupla:  Única seleção = 11 artigos.

Scene 37

⇨ Obteve-se estudos que avaliaram a aplicação do CAD em  diferentes diagnósticos por imagem:  4 estudos direcionados na mamografia;  2 estudos na ultrassonografia 3D;  1 estudo na ressonância magnética 3,0 T;  1 estudo da aplicação do CAD na inteligência artificial na mamografia.

Scene 38

Scene 39

Scene 40

Scene 41

Scene 42

⇨ Os achados reforçam a importância do CAD como complemento.

⇨ Na mamografia:  Especificidade = 58,67%  Sensibilidade = 83,96%

⇨ Na ultrassonografia:  Especificidade = 73,63%  Sensibilidade = 83%

⇨ Na ressonância magnética:  Especificidade = 81,3%  Sensibilidade = 90,4%

Scene 43

⇨ O estudo do CAD com a IA mostra a taxa de detecção do câncer (CDR).

⇨ Necessário investigação mais profunda.

Scene 44

CHAN, Heang-Ping; SAMALA, Ravi K.; HADJIISKI, Lubomir M.. CAD and AI for breast cancer—recent development and challenges.  The British Journal Of Radiology , [S.L.], v. 93, n. 1108, p. 251-253, abr. 2020.  British Institute of Radiology. http:// dx.doi.org /10.1259/bjr.20190580. Disponível em: https:// pubmed.ncbi.nlm.nih.gov /31742424/. Acesso em: 22 dez. 2020. COELI, Gustavo Nunes Medina  et al .  Mucinous carcinoma of the breast: iconographic essay with histopathological correlation.  Radiologia Brasileira , [S.L.], v. 46, n. 4, p. 242-246, ago. 2013. FapUNIFESP (SciELO). http:// dx.doi.org /10.1590/s0100-39842013000400011. Disponível em: https://www.scielo.br/ scielo.php?pid =S0100-39842013000400242&script= sci_arttext&tlng =pt#B16.  Acesso em: 15 dez. 2020. COIERA, Enrico W.. Artificial Intelligence in Medicine: the challenges ahead.  Journal Of The American Medical Informatics Association , [S.L.], v. 3, n. 6, p. 363-366, 1 nov. 1996.  Oxford University Press (OUP). http:// dx.doi.org /10.1136/jamia.1996.97084510. Disponível em: https:// pubmed.ncbi.nlm.nih.gov /8930853/. Acesso em: 22 dez. 2020. CRUZ, Thaís Nayara da.  Seleção de Atributos de Imagem Baseada em Algoritmo Genético e Inteligência Computacional para o Diagnóstico do Câncer de Mama Utilizando Mamografias Digitais.  2017. 81 f. Dissertação (Mestrado) - Curso de Engenharia Biomédica, Universidade Federal de Pernambuco, Recife, 2017. Disponível em: https:// attena.ufpe.br /bitstream/123456789/28107/1/DISSERTAÇÃO%20Tha%C3%ADs%20Nayara%20da%20Cruz.pdf. Acesso em: 29 set. 2020. DELAMARO, Márcio E.; NUNES, Fátima L.S.; ANDRADE, Marisa S..  Avaliação de Sistemas de Auxílio ao Diagnóstico: Utilização de Informação de Cobertura na Geração de Curvas ROC . 2015. 5 f. Tese (Doutorado) - Curso de Informática Médica, Centro Universitário Eurípides de Marília - UNIVEM, Marília - Sp, 2015. Disponível em: https:// www.researchgate.net / publication /267992615_Avaliacao_de_Sistemas_de_Auxilio_ao_Diagnostico_Utilizacao_de_Informacao_de_Cobertura_na_Geracao_de_Curvas_ROC. Acesso em: 22 dez. 2020. FLECK, Leandro  et al . Redes Neurais Artificiais: Princípios Básicos.  Revista Eletrônica Científica Inovação e Tecnologia , Paraná, v. 1, n. 13, p. 47-57, jun. 2016. Disponível em: https:// periodicos.utfpr.edu.br / recit /article/view/4330/Leandro. Acesso em: 22 dez. 2020. FREITAS, Andréa Gonçalves de  et al . Mamografia digital: perspectiva atual e aplicações futuras.  Radiologia Brasileira , [S.L.], v. 39, n. 4, p. 287-296, ago. 2006. FapUNIFESP (SciELO). http:// dx.doi.org /10.1590/s0100-39842006000400012. Disponível em: https://www.scielo.br/ scielo.php?script = sci_arttext&pid =S0100-39842006000400012. Acesso em: 20 fev. 2021.

Scene 45

FREITAS, Matheus F. Assmann de; POLETTO, Alex Sandro R. de Souza. Um Estudo Exploratório Sobre Inteligência Artificial Aplicada À Medicina.  Intelecto : Produção Científica Fema, São Paulo, v. 2, p. 88-92, dez. 2019. Anual. Disponível em: http:// www.fema.edu.br / images / fema /pesquisa/Intelecto/FEMARevistaintelecto2019.pdf#page=88. Acesso em: 22 out. 2020.   GEBRIM, Luiz Henrique; QUADROS, Luis Gerk de Azevedo. Rastreamento do câncer de mama no Brasil.  Rev. Bras. Ginecol. Obstet. , Rio de Janeiro, v. 28, n. 6, p. 320-323, 30 jul. 2006. Disponível em: <https://www.scielo.br/ scielo.php?pid =S0100-72032006000600001&script= sci_arttext >.  Acesso em: 11 out. 2020.   GIGER, Maryellen L.; CHAN, Heang-Ping; BOONE, John. Anniversary Paper: history and status of cad and quantitative image analysis.  Medical Physics , [S.L.], v. 35, n. 12, p. 5799-5820, 20 nov. 2008. Wiley. http:// dx.doi.org /10.1118/1.3013555.  Disponível em: https:// aapm.onlinelibrary.wiley.com /doi/full/10.1118/1.3013555. Acesso em: 22 dez. 2020.   GORRINGE, Kylie L.; FOX, Stephen B.. Ductal Carcinoma In Situ Biology, Biomarkers, and Diagnosis.  Frontiers In Oncology , Austrália, v. 7, p. 1-14, 23 out. 2017. Disponível em: <https:// www.frontiersin.org /articles/10.3389/fonc.2017.00248/full>.  Acesso em: 11 out. 2020.   GUIMARÃES, Augusto  et al . Utilização de Redes Neurais Nebulosas para criação de um Sistema Especialista em Invasões Cibernéticas.  Proceedings Of The Tenth International Conference On Forensic Computer Science And Cyber Law , [S.L.], p. 12-22, 29 out. 2018.  HTCIA. http:// dx.doi.org /10.5769/c2018002.   HAIL, Janelle.  Carcinoma Ductal Invasivo (IDC) . 2019.  National Breast Cancer Foundation, Inc.  Disponível em: <https:// www.nationalbreastcancer.org / invasive -ductal-carcinoma>. Acesso em: 11 out. 2020.   HANSEN, John T..  Netter Anatomia Clínica .  4. ed. Rio de Janeiro: Guanabara Koogan, 2019. 608 p. HAYKIN, Simon.  Redes Neurais: Princípios e Prática . Porto Alegre: Bookman, 2017. 901 p. INCA - Instituto Nacional de Câncer José Alencar Gomes da Silva (org.).  ABC do câncer: abordagens básicas para o controle do câncer.  6. ed. Rio de Janeiro: INCA, 2020a. 112 p. Disponível em: https:// www.inca.gov.br /sites/ ufu.sti.inca.local /files//media/ document //livro-abc-6-edicao-2020.pdf. Acesso em: 29 out. 2020

Scene 46

INCA - Instituto Nacional de Câncer.  A situação do câncer no Brasil . Rio de Janeiro: INCA, 2006. 120 p. Disponível em: https:// www.inca.gov.br /sites/ ufu.sti.inca.local /files//media/ document // situacao - cancer-brasil.pdf . Acesso em: 30 out. 2020. INCA - Instituto Nacional de Câncer.  Detecção precoce do câncer de mama.  Rio de Janeiro. INCA, Ministério da Saúde. 2020b. Disponível em: https:// www.inca.gov.br /controle-do-cancer-de-mama/ acoes - de-controle / deteccao -precoce.   Acesso em: 29 set. 2020. INCA - Instituto Nacional de Câncer. Estimativas 2018.  Incidência de Câncer no Brasil , 2018. Disponível em:< http:// www.epi.uff.br / wp -content/uploads/2013/08/estimativa-incidencia-de-cancer-no-brasil-2018.pdf>.  Acesso em: 18. Mai. 2018. KINOSHITA, S. K.  et al . Radon-Domain Detection of the Nipple and the Pectoral Muscle in Mammograms.  Journal Of Digital Imaging , [s.l.], v. 21, n. 1, p. 37-49, 11 abr. 2007. Springer Science and Business Media LLC. http://dx.doi.org/10.1007/s10278-007-9035-6. KUESTER NETO, Paulo.  Classificação e Reconhecimento de Padrões em Imagens tridimensionais utilizando redes neurais artificiais . 2009. 95 f. Tese (Mestrado) - Curso de Tecnologia da Inteligência e Design Digital, Universidade Católica de São Paulo - PUC, São Paulo, 2009. Disponível em: https://tede2.pucsp.br/bitstream/ handle /18230/1/Paulo%20Kuester%20Neto.pdf. Acesso em: 22 dez. 2020. LEHMAN, Constance D.  et al . Diagnostic Accuracy of Digital Screening Mammography With and Without Computer-Aided Detection.  Jama Internal Medicine , [S.L.], v. 175, n. 11, p. 1828-1837, 1 nov. 2015. American Medical Association (AMA). http:// dx.doi.org /10.1001/jamainternmed.2015.5231. Disponível em: https:// www.ncbi.nlm.nih.gov /pmc/articles/PMC4836172/. Acesso em: 13 mar. 2021. LEOPOLDINO, Denise de Deus  et al . Aspectos técnicos da ressonância magnética de mama com meio de contraste: revisão da literatura.  Radiologia Brasileira , São Paulo, v. 38, n. 4, p. 287-294, ago. 2005. Disponível em: https://www.scielo.br/pdf/ rb /v38n4/25760.pdf. Acesso em: 11 out. 2020. LIMA, Stella Ferrari Alberto.  Redes Neurais Artificiais no Reconhecimento e Classificação de Padrões de Calcificações Mamárias em Imagens de Mamografia . 2017. 48 f. Tese (Doutorado) - Curso de Engenharia Eletrônica, Universidade de Brasília - UNB, Brasília, 2017. Disponível em: https:// bdm.unb.br /bitstream/10483/20108/1/2017_StellaFerrariAlbertoLima_tcc.pdf. Acesso em: 22 dez. 2020.

Scene 47

LOBO, Luiz Carlos. Inteligência Artificial e Medicina.  Revista Brasileira de Educação Médica , [S.L.], v. 41, n. 2, p. 185-193, jun. 2017. FapUNIFESP (SciELO). http:// dx.doi.org /10.1590/1981-52712015v41n2esp. Disponível em: https://www.scielo.br/ scielo.php?pid =S0100-55022017000200185&script= sci_arttext&tlng = pt .  Acesso em: 22 out. 2020. MAMMOGRAPHY screening intervals may affect breast cancer prognosis.  Radiological Society Of North America , Chicago, p. 1-3, dez. 2013. Disponível em: https:// medicalxpress.com / news /2013-12-mammography-screening-intervals-affect-breast.html. Acesso em: 15 dez. 2020. MARQUES, Elvira Ferreira  et al . Indicações de ressonância magnética das mamas em um centro de referência em oncologia.  Radiologia Brasileira , [S.L.], v. 44, n. 6, p. 363-366, dez. 2011. FapUNIFESP (SciELO). http:// dx.doi.org /10.1590/s0100-39842011000600007. Disponível em: https://www.scielo.br/ scielo.php?script = sci_arttext&pid =S0100-39842011000600007. Acesso em: 14 dez. 2020. MARTINS, João Paulo Virgílio Marinho.  Sistema CAD Para Extração e Classificação de Áreas de Interesse em Mamografia.  2016. 110 f. Tese (Doutorado) - Curso de Engenharia Biomédica, Universidade de Brasília - UNB, Brasília, 2016. Disponível em: http:// repositorioslatinoamericanos.uchile.cl / handle /2250/362950?show=full. Acesso em: 22 dez. 2020. MATHEUS, Bruno Roberto Nepomuceno.  Sistema JAVA para gerenciamento de esquema CADx em mamografia.  2015. 149 f. Tese (Doutorado) - Curso de Engenharia Elétrica, Ciências Elétricas, Universidade de São Paulo, São Carlos, 2015. Disponível em: https:// teses.usp.br /teses/ disponiveis /18/18152/tde-22102015-093201/publico/ Bruno.pdf . Acesso em: 22 dez. 2020. MCGUIRE, Shelley et al. World Cancer Report 2014. Geneva, Switzerland: world health organization, international agency for research on cancer, who press, 2015. World Health Organization, International Agency for Research on Cancer, WHO Press, 2015.  Advances In Nutrition , [s.l.], v. 7, n. 2, p. 418-419, 1 mar. 2016. Oxford University Press (OUP). http://dx.doi.org/10.3945/an.116.012211. MEEUWIS, Carla  et al . Computer-aided detection (CAD) for breast MRI: evaluation of efficacy at 3.0 t.  European Radiology , [S.L.], v. 20, n. 3, p. 522-528, 2 set. 2009. Springer Science and Business Media LLC. http:// dx.doi.org /10.1007/s00330-009-1573-5.  Disponível em: https:// www.ncbi.nlm.nih.gov /pmc/articles/PMC2822230/. Acesso em: 13 mar. 2021.

Scene 48

MONARD, Maria Carolina; BARANAUSKAS, José Augusto. Conceitos sobre Aprendizado de Máquina.  Sistemas Inteligentes: Fundamentos e Aplicações . 1. ed. São Paulo: Desconhecida, 2003. Cap. 4. p. 39-56. Disponível em: http:// dcm.ffclrp.usp.br / publications /2003-sistemas-inteligentes-cap4.pdf. Acesso em: 22 dez. 2020. MONTEIRO, Larissa Vieira; SANTOS, Everson Vagner de Lucena; CLAUDINO, Emerson Lopes. Análise da prevalência de alterações mamográficas a partir da classificação BI- RADS.  Revista Brasileira de Educação e Saúde , [ s. l ], v. 4, n. 9, p. 34-39, dez. 2019. Disponível em: https:// editoraverde.org / gvaa.com.br /revista/index.php/REBES/article/view/6587/6475. Acesso em: 10 out. 2020. MOORE, Keith L; DALLEY, Arthur  F ; AGUR, Anne M. R.  Anatomia Orientada para a Clínica.  8. ed. Rio de Janeiro: Guanabara Koogan, 2019.  1128 p.  MURAKAMI,  Ryusuke   et al . Detection of Breast Cancer with a Computer-Aided Detection Applied to Full-Field Digital Mammography.  Journal Of Digital Imaging , [S.L.], v. 26, n. 4, p. 768-773, 15 jan. 2013. Springer Science and Business Media LLC. http:// dx.doi.org /10.1007/s10278-012-9564-5.  Disponível em: https:// www.ncbi.nlm.nih.gov /pmc/articles/PMC3705026/. Acesso em: 13 mar. 2021. NASCIMENTO, Jessica Catarine Frutuoso do.  FUT3 no carcinoma ductal invasivo de mama: Investigação do promotor gênico e expressão proteica em pacientes do Nordeste brasileiro.  2015. 49 f. Dissertação (Mestrado) - Curso de Ciências Biológicas, Centro de Biociências, Bioquímica e Fisiologia, Universidade Federal de Pernambuco, Recife, 2015. Disponível em: <https:// repositorio.ufpe.br /bitstream/123456789/18070/1/Disserta%c3%a7%c3%a3o_Jessica%20Catarine%20Frutuoso%20do%20Nascimento.pdf>. Acesso em: 11 out. 2020. NASCIMENTO, José Hermes Ribas do  et al . Acurácia dos achados ultrassonográficos do câncer de mama: correlação da classificação bi-rads® e achados histológicos.  Radiologia Brasileira , [S.L.], v. 42, n. 4, p. 235-240, ago. 2009. FapUNIFESP (SciELO). http:// dx.doi.org /10.1590/s0100-39842009000400009. Disponível em: https://www.scielo.br/ scielo.php?pid =S0100-39842009000400009&script= sci_abstract&tlng = pt . Acesso em: 03 out. 2020. NUNES, W. V.  Introdução às redes neurais artificiais . In: Esperidião-Antônio V. Neurociências: diálogos e interseções. Rio de Janeiro: Editora Rubio, 2012. 768 p. OLIVEIRA, Carlos Freire de; SILVA, Teresa Simões da.  Carcinoma invasivo da mama: do diagnóstico ao tratamento cirúrgico . Portugal: Permanyer, 2010. 288 p.

Scene 49

OLIVEIRA, Max Moura de  et al . Estimativa de pessoas com diagnóstico de câncer no Brasil: dados da pesquisa nacional de saúde, 2013.  Revista Brasileira de Epidemiologia , [S.L.], v. 18, n. 2, p. 146-157, dez. 2015. FapUNIFESP (SciELO). http:// dx.doi.org /10.1590/1980-5497201500060013. Disponível em: https://www.scielo.br/pdf/ rbepid /v18s2/1980-5497-rbepid-18-s2-00146.pdf. Acesso em: 29 out. 2020. ONU. Organização das Nações Unidas.  Declaração Universal dos Direitos Humanos da ONU.  2017. Disponível em: <https:// nacoesunidas.org /oms-cancer-mata-88-milhoes-de-pessoas-anualmente-no-mundo/. Acesso em: 29 set. 2020. OPAS - Organização Pan-Americana da Saúde.  Câncer.  Rio de Janeiro; 2010. Disponível em: https:// www.paho.org / bra / index.php?option = com_content&view = article&id =393:cancer&Itemid=463. Acesso em: 29 set. 2020.  PATROCINIO, Ana Claudia.  Esquema Classificador de Agrupamento de microcalcificações mamárias utilizando redes neurais artificiais . 2000. 162 f. Tese (Doutorado) - Curso de Engenharia Elétrica, Ciências Matemáticas e Computação, Universidade de Engenharia de São Carlos, São Carlos, 2000. Disponível em: https:// www.teses.usp.br /teses/ disponiveis /18/18133/tde-27102017-140806/publico/ Dissert_Patrocinio_AnaC.pdf . Acesso em: 22 dez. 2020. PERELMUTER, Guy.  et al.  Reconhecimento de imagens bidimensionais utilizando redes neurais artificiais . Rio de Janeiro, p. 197-203, out. 1995. Disponível em: https:// www.researchgate.net / publication /266317995_RECONHECIMENTO_DE_IMAGENS_BIDIMENSIONAIS_UTILIZANDO_REDES_NEURAIS_ARTIFICIAIS. Acesso em: 22 Dez. 2020. PERRE, Ana Catarina Filipe.  Avaliação da Caracterização de Lesões em Mamografia com Recurso a Sistemas CAD (Diagnóstico Assistido por Computador) : sistemas 	CAD em mamografia. 2019. 44 f. Monografia (Especialização) - Curso de Tecnologias de Diagnóstico e Terapêutica – Radiologia,, Instituto Politécnico de Castelo Branco, Castelo Branco, 2019. Disponível em: https:// repositorio.ipcb.pt /bitstream/10400.11/7295/1/AnaPerreESALD2019_A.pdf. Acesso em: 12 dez. 2020. PORTO, Fuad Nacif.  Análise de Sensibilidade de Um Sistema CAD para Mamografia Digital . 2010. 57 f. Dissertação (Mestrado) - Curso de Engenharia Elétrica, Universidade Federal de Minas Gerais, Belo Horizonte, 2010. Disponível em: https:// repositorio.ufmg.br /bitstream/1843/BUOS-8EUQ8S/1/ fuad_nacif_porto.pdf . Acesso em: 12 dez. 2020. REED, Amy e McCart  et al . Invasive lobular carcinoma of the breast: morphology, biomarkers and omics.  Breast Cancer Research , [S.L.], v. 17, n. 1, p. 2-11, 30 jan. 2015. Springer Science and Business Media LLC. http:// dx.doi.org /10.1186/s13058-015-0519-x.  Disponível em: <https:// www.ncbi.nlm.nih.gov /pmc/articles/PMC4310190/>. Acesso em: 11 out. 2020.

Scene 50

SILVESTRE, Igor Carlos; LUCCA, Juliana Luizetto de; ZAGO, André.  O Papel da Ressonância Magnética Nuclear no Estadiamento do Câncer de Mama . 2012. 17 f. TCC (Graduação) - Curso de Tecnologia em Radiologia, Instituto de Ensino Superior de Londrina - Inesul, Londrina, 2012. Disponível em: https:// www.inesul.edu.br / revista_saude /arquivos/arq-idvol_14_1344255011.pdf. Acesso em: 14 dez. 2020. TAN, Maxine  et al . A new approach to develop computer-aided detection schemes of digital mammograms.  Physics In Medicine And Biology , [S.L.], v. 60, n. 11, p. 4413-4427, 18 maio 2015.  IOP Publishing. http:// dx.doi.org /10.1088/0031-9155/60/11/4413. Disponível em: https:// www.ncbi.nlm.nih.gov /pmc/articles/PMC4459586/. Acesso em: 13 mar. 2021. TONET, Lisane Claudete Granetto.  A Importância da Ressonância Magnética em Exames de Mama . 2013. 5 f. Monografia (Especialização) - Curso de Ressonância Magnética Nuclear, Centro de Imagem e Saúde (Cimas), São Paulo, 2013. Disponível em: http:// www.redentor.inf.br /arquivos/ pos / publicacoes /22042013Artigo%20Lisane%20Claudete%20G.%20Tonet.pdf. Acesso em: 14 dez. 2020. VAN SEIJEN,  Maartje. et  al . Ductal carcinoma in situ: to treat or not to treat, that is the question.  British Journal Of Cancer , [S.L.], v. 121, n. 4, p. 286-292, 9 jul. 2019.  Disponível em: https:// www.ncbi.nlm.nih.gov /pmc/articles/PMC6697179/.  Acesso em: 11 out. 2020. VAN ZELST, Jan C. M.  et al . Dedicated computer-aided detection software for automated 3D breast ultrasound; an efficient tool for the radiologist in supplemental screening of women with dense breasts.  European Radiology , [S.L.], v. 28, n. 7, p. 2996-3006, 7 fev. 2018. Springer Science and Business Media LLC. http:// dx.doi.org /10.1007/s00330-017-5280-3.  Disponível em: https:// www.ncbi.nlm.nih.gov /pmc/articles/PMC5986849/. Acesso em: 13 mar. 2021. VAN ZELST, Jan C. M  et al .  Validation of radiologists’ findings by computer-aided detection (CAD) software in breast cancer detection with automated 3D breast ultrasound: a concept study in implementation of artificial intelligence software.  Acta Radiologica , [S.L.], v. 61, n. 3, p. 312-320, 19 jul. 2019. SAGE Publications. http:// dx.doi.org /10.1177/0284185119858051. Disponível em: https:// www.ncbi.nlm.nih.gov /pmc/articles/PMC7059207/. Acesso em: 13 mar. 2021. VIEIRA, Wilma Leônico  et al . A Importância da Ultrassonografia no Câncer de Mama.  RBUS - Revista Brasileira de Ultrassonografia , São Paulo, v. 24, p. 41-49, mar. 2018. Disponível em: https:// sbus.org.br / wp -content/uploads/2018/04/REVISTA-RBUS-MARCO-2018.pdf#page=41.  Acesso em: 01 out. 2020.

Apresentação do PowerPoint

Page 1 (0s)

Page 2 (13s)

Page 3 (43s)

Page 4 (1m 1s)

Page 5 (1m 40s)

Page 6 (1m 55s)

Page 7 (2m 7s)

Page 8 (2m 26s)

Page 9 (2m 59s)

Page 10 (3m 17s)

Page 11 (3m 40s)

Page 12 (4m 13s)

Page 13 (4m 45s)

Page 14 (5m 10s)

Page 15 (5m 32s)

Page 16 (5m 59s)

Page 17 (6m 24s)

Page 18 (6m 48s)

Page 19 (7m 12s)

Page 20 (7m 37s)

Page 21 (7m 58s)

Page 22 (8m 23s)

Page 23 (8m 35s)

Page 24 (9m 2s)

Page 25 (9m 34s)

Page 26 (10m 1s)

Page 27 (10m 27s)

Page 28 (10m 52s)

Page 29 (11m 23s)

Page 30 (11m 50s)

Page 31 (12m 13s)

Page 32 (12m 43s)

Page 33 (13m 27s)

Page 34 (13m 58s)

Page 35 (14m 33s)

Page 36 (14m 57s)

Page 37 (15m 24s)

Page 38 (15m 42s)

Page 39 (15m 49s)

Page 40 (15m 57s)

Page 41 (16m 6s)

Page 42 (16m 14s)

Page 43 (16m 36s)

Page 44 (16m 54s)

Page 45 (18m 1s)

Page 46 (19m 7s)

Page 47 (20m 13s)

Page 48 (21m 20s)

Page 49 (22m 26s)

Page 50 (23m 32s)