A síndrome de Gilbert (SG) é descrita como uma hiperbilirrubinemia indireta que ocorre na ausência de doenças hepáticas ou quadros hemolíticos. Apresenta, como principal manifestação clínica, episódios de icterícia intermitente. O aumento dos níveis séricos de bilirrubina em pacientes com SG ocorre devido à redução da atividade hepática da enzima bilirrubina-glucuroniltranferase a cerca de 30% do normal. Mudanças na via de glucuronidação podem justificar alterações no metabolismo de estrogênio e eventuais repercussões dessa exposição na mama. Procuramos avaliar a densidade mamária de mulheres na pós-menopausa com o emprego de mamografia e rede neural convolucional nesta população específica, com o propósito de identificar novas ferramentas para o seguimento das pacientes com essa síndrome. OBJETIVOS: Avaliar a densidade mamária com o uso de inteligência artificial por rede neural convolucional em mulheres na pós-menopausa com Síndrome de Gilbert. MÉTODOS: Avaliação de 52 pacientes divididas em três grupos: grupo Síndrome de Gilbert composto por 12 pacientes, grupo controle genotipado formado por 9 pacientes, e Grupo controle não genotipado constituído por 31 pacientes. Todas foram submetidas a mamografia e análise por inteligência artificial utilizando Convolutional Neural Network (CNN). RESULTADOS: No grupo de pacientes SG com mamas densas (extremamente densas e heterogeneamente densas) a CNN apresentou sensibilidade de 57,14%, especificidade de 100%, com acurácia de 75%, comparado a sensibilidade e especificidade de 100% no grupo Controle genotipado, e sensibilidade de 44,44% e especificidade de 92,31% no grupo Controle não genotipado. O coeficiente de concordância kappa das densidades mamárias avaliadas por radiologistas e pela CNN foi de 0,381 para o grupo Síndrome de Gilbert, 0,700 para o grupo Controle genotipado e 0,291 para o grupo Controle não genotipado. CONCLUSÃO: A sensibilidade da CNN em identificar as mamas densas no grupo SG foi menor que a do grupo Controle genotipado e mais semelhante à do grupo Controle não genotipado. Quando comparada a avaliação da densidade mamária pelo radiologista, a CNN possui concordância mediana no grupo Controle genotipado, porém baixa concordância em pacientes com SG. Os dados indicam a necessidade de validação do algoritmo CNN em populações com condições clínicas específicas, bem como sugere o uso de outros métodos complementares para avaliar a densidade mamária nas pacientes com SG

Gilbert's syndrome (GS) is described as an indirect hyperbilirubinemia that occurs in the absence of liver disease or hemolytic conditions. Its main clinical manifestation is episodes of intermittent jaundice. The increase in serum bilirubin levels in patients with GS is due to a reduction to about 30% of normal in the hepatic activity of the enzyme bilirubin-glucuronyltranferase. Changes in the glucuronidation pathway may justify changes in estrogen metabolism and possible repercussions of this exposure on the breast. We sought to assess the breast density of postmenopausal women using a mammography and Convolutional Neural Network (CNN) in this specific population, with the aim of identifying new tools for the follow-up of patients with this syndrome. OBJECTIVES: To evaluate breast density using artificial intelligence through a convolutional neural network in postmenopausal women with Gilbert's Syndrome. METHODS: Evaluation of 52 patients divided into three groups: Gilbert's Syndrome group consisting of 12 patients, a genotyped control group consisting of 9 patients, and a non-genotyped control group consisting of 31 patients. All underwent mammography and analysis by artificial intelligence using CNN. RESULTS: In the group of SG patients with dense breasts (extremely dense and heterogeneously dense), CNN had a sensitivity of 57.14%, specificity of 100%, with 75% accuracy, compared to sensitivity and specificity of 100% in the genotyped control group, and sensitivity of 44.44% and specificity of 92.31% in the non-genotyped Control group. The kappa coefficient of agreement of the breast densities assessed by radiologists and by CNN was 0.381 for the Gilbert Syndrome group, 0.700 for the genotyped control group and 0.291 for the nongenotyped control group. CONCLUSION: The sensitivity of CNN in identifying dense breasts in the SG group was lower than the genotyped control group and more similar to the non-genotyped control group. When compared to the assessment of breast density by the radiologist, CNN has substantial agreement in the genotyped Control group, but fair agreement in patients with GS. The data indicate the need for validation of the algorithm CNN in populations with specific clinical conditions, and to consider the use of other complementary methods to assess breast density in patients with GS