Impacto de un modelo de aprendizaje profundo para predecir la densidad mamográfica en la práctica clínica rutinaria
En Estados Unidos, la legislación de 38 estados exige que se notifique a las pacientes la existencia de tejido mamario denso. Esto se debe a que el aumento de la densidad es un marcador de riesgo de cáncer de mama y puede limitar la sensibilidad mamográfica.
Debido a que las evaluaciones de la densidad por parte de los radiólogos varían mucho, colegas del Hospital General de Massachusetts realizaron un estudio para implementar y medir el impacto de un modelo de aprendizaje profundo (DL) en las evaluaciones de la densidad mamográfica en la práctica clínica.
Métodos
Los investigadores identificaron mamografías de cribado consecutivas realizadas a través de tres sitios clínicos durante dos períodos:
- período de 2017 (1 de enero de 2017 hasta el 30 de septiembre de 2017)
- período de 2019 (1 de enero de 2019 hasta el 30 de septiembre de 2019)
El modelo DL se implementó en los sitios A (práctica académica) y B (práctica comunitaria) en 2018 para todas las mamografías de cribado. El tercer sitio clínico C (práctica comunitaria) nunca fue expuesto al modelo DL.
Finalmente, evaluaron las densidades prospectivas, y los modelos de regresión logística multivariable evaluaron las probabilidades de una clasificación de mamografía densa en función del tiempo y el sitio.
Resultados
Dontchos y sus colegas, identificaron 85,124 mamografías de cribado consecutivas en los tres centros. A lo largo de los intervalos de tiempo, las probabilidades de una clasificación densa disminuyeron en los centros A y B, expuestos al modelo DL. Por otro lado, las probabilidades aumentaron en el centro C, el cual no fue expuesto al modelo.
Conclusiones
Los investigadores de Massachusetts concluyeron que un modelo DL reduce las probabilidades de que las mamografías de cribado se clasifiquen como densas. Agregan que, las evaluaciones precisas de la densidad podrían ayudar a los sistemas de atención sanitaria a utilizar de forma más adecuada los limitados recursos de cribado complementario y ayudar a informar mejor los modelos de riesgo clínico tradicionales.
Dontchos, B. N., Cavallo-Hom, K., Lamb, L. R., Mercaldo, S. F., Eklund, M., Dang, P., & Lehman, C. D. (2022). Impact of a Deep Learning Model for Predicting Mammographic Breast Density in Routine Clinical Practice. Journal of the American College of Radiology. https://doi.org/10.1016/j.jacr.2022.04.001
