Evaluación de cáncer de mama por redes neuronales
Introducción
El cáncer de mama es uno de los más comúnes y diagnosticados en el año 2020 con un estimado de 2.3 millones. Debido a la metodología estándar para realizar su diagnóstico, puede llegar a ser un procedimiento invasivo. Es por esto y por su alta incidencia, que se busca optimizar la precisión de las mamografías y la clasificación de las lesiones mamarias, tanto malignas como benignas. Asimismo, se ha planteado la reducción de la tasa de biopsias innecesarias para disminuir los costos y evitar el estrés injustificado en pacientes.
Un método comúnmente usado es la mamografía digital en combinación con Deep Learning y Supervised Learning para generar una caracterización no invasiva y disminuir biopsias. Este estudio incluyó casos con lesiones visibles en las mamografías que pueden explorar el valor de la tecnología de IA. Esto brinda una guía del manejo de diagnóstico de lesiones mamarias y funciona como una herramienta complementaria para los radiólogos. Por ende, es posible clasificar los casos en: carcinoma in situ, invasivo, lesión de alto riego, benignos y otros, considerando la forma en la que datos y características del historial clínico mejoren la precisión de los algoritmos.
Métodos
Se consideró un grupo de 3017 mujeres israelís y 2336 mujeres de Estados Unidos de entre 2012 y 2016/2018 con casos positivos de cáncer de mama con al menos un año de seguimiento. Esta información se incluyó como entrada en una Red Neuronal Convolucional para la predicción y categorización de lesiones mamarias. Procurando ayudar en el análisis de riesgos, tratamiento y reducción de errores en las muestras de las biopsias, se exploró la rentabilidad de la inteligencia artificial para clasificar biopsias en las 5 categorías descritas usando datos clínicos en adición a las mamografías.
Resultados
El modelo entrenado predijo las lesiones malignas para la población israelí con un asertividad del 0.88 dentro del AUC y una sensibilidad del 90%. De alcanzar un 99% de sensibilidad, el modelo podría evitar hasta un 13% de biopsias innecesarias y perder solo el 1.3% de casos malignos. Ello lograría un mejor desempeño para clasificar carcinoma in situ, carcinoma invasivo y lesiones benignas. Las otras dos categorías (lesiones malignas y otros), presentaron limitaciones y menores predicciones y sensibilidades por el bajo muestreo biológico.
Conclusiones
El estudio demostró que la inclusión de datos clínicos no mejora la precisión ni el desempeño de los modelos. Aunque se estima que estos datos tienen potencial para la mejoría de estos modelos, se necesita una aproximación multimodal que combine radiografías, patologías e interpretaciones clínicas que puedan proveer información adicional para el manejo de esta enfermedad.
En adición, este estudio cuenta con limitaciones ya que no se puede generalizar el modelo para su exportación hacia otros grupos poblacionales. Sin embargo, tiene el objetivo de reducir errores en las muestras de biopsias y decrementar los costos asociados con los falsos positivos.
Traducido y adaptado de: Barros, V., Tlusty, T., Barkan, E., Hexter, E., Gruen, D., Guindy, M. & Rosen-Zvi, M. (2022). Virtual Biopsy by Using Artificial Intelligence–based Multimodal Modeling of Binational Mammography Data. Radiology. https://doi.org/10.1148/radiol.220027
