Aprendizado Profundo Bayesiano Direcionado por IA para Predição de Câncer de Pulmão: Apoio à Decisão Precisa em Informática em Saúde de Big Data

A incidência de câncer de pulmão deve aumentar em 50% até 2035, destacando a necessidade de ferramentas de estratificação de risco precisas e acessíveis. Treinamos uma rede neural bayesiana em 300 tomografias de tórax anotadas do coorte público LIDC-IDRI, integrando metadados clínicos. A amostragem de Monte Carlo Hamiltoniana (10.000 amostras posteriores) capturou a incerteza dos parâmetros; o desempenho foi avaliado com validação cruzada estratificada em cinco dobras e em três coortes multicêntricas independentes. No conjunto de testes interno bloqueado, o modelo alcançou 99,0% de precisão, AUC = 0,990 e macro-F1 = 0,987. A validação externa em 824 exames gerou uma AUC média de 0,933 e um erro de calibração esperado <0,034, eliminando falsos positivos para nódulos benignos e fornecendo mapas de incerteza em nível voxel. O aprendizado profundo bayesiano consciente da incerteza fornece previsões de risco de câncer de pulmão de última geração e bem calibradas a partir de uma única tomografia, apoiando intervalos de triagem personalizados e implantação segura em fluxos de trabalho clínicos.