Aprendizaje conjunto Multi-Task/Single-Task de Características de Ultrasonido BI-RADS

El cáncer de mama es el cáncer más común entre las mujeres. De acuerdo con las estadísticas globales de cáncer de 2018, la tasa de incidencia y mortalidad del cáncer de mama son los primeros entre el cáncer femenino. Investigaciones relevantes muestran que el tratamiento oportuno de pacientes con tumores de mama puede aumentar en gran medida la supervivencia de los pacientes y con esto reducir la mortalidad en más de un 40%.

Las tecnologías comúnmente utilizadas para descubrir carcinomas de mama incluyen biopsia, mamografía, resonancia magnética (MRI) y ecografía. Entre ellos, el ultrasonido (US) es relativamente seguro, económico y conveniente, y se ha utilizado ampliamente en la detección temprana del cáncer de mama en los últimos años. Aunque las ventajas de las imágenes de US son evidentes, es difícil diagnosticar lesiones mamarias basadas en US en la práctica. Teniendo en cuenta que el costo de la capacitación es alto y existen posibles desviaciones en la comprensión de los médicos de las imágenes, las técnicas de diagnóstico asistidas por computadora (CAD) cada vez son más populares.

Las técnicas CAD proporcionan a los médicos consejos y asistencia en el diagnóstico, acortan el tiempo de este y reducen la carga de trabajo. Como se mencionó en artículos anteriores, con el fin de unificar los criterios de diagnostico del US y reducir las diferencias en el diagnóstico entre los doctores, el Colegio Americano de radiología propuso un sistema de informes y datos de imágenes de mamografía BI-RADS, el cual proporciona una serie de términos estandarizados para la descripción de los signos ultrasónicos (orientación, forma, márgenes, patrón de eco, características posteriores, calcificación, etc.).

Los sistemas CAD existentes

Presentan problemas graves para la clasificación del cáncer de mama basados en las características de BI-RADS. Primeramente, estos métodos deben segmentar la región del tumor, luego extraer las características morfológicas y las características de textura de los resultados de la segmentación. Después de cuantificar las características extraídas, se introducen en el clasificador para diferenciar entre tumores benignos y malignos.

Este proceso requiere mucho trabajo manual para marcar los márgenes de los tumores. Además, la extracción de características de bajo nivel depende en gran mediad en el preprocesamiento de la imagen con los parámetros ajustados. En segundo lugar, estos métodos solo cuantifican las características extraídas en valores BI-RADS continuos pues no consideran la relación entre los valores BI-RADS y las características clínicas del tumor.

En tercer lugar,

El proceso de cuantificación de características BI-RADS generalmente utiliza el método de aprendizaje de tarea única (STL). El método STL sólo obtiene el valor de cuantización de una característica específica cada tiempo ignorando la correlación potencial entre las características. Finalmente, el número de características BI-RADS utilizadas en los sistemas CAD para la clasificación del cáncer de mama es pequeño, generalmente cinco o seis características, disminuyendo la efectividad de la clasificación final.

Por estas razones, los autores de este artículo propusieron reemplazar el léxico BI-RADS por el esquema de evaluación BI-RADS. De esta forma se elimina la etapa de procesamiento de imagen, segmentación y extracción de características. A diferencia de las características de bajo nivel con son difíciles de entender para los doctores, se cuantifican las características BI-RADS, que se alinean mejor con el proceso de diagnóstico de los médicos. A partir de esto, se diseñó un marco multi-task/single-task que puede generar directamente las puntuaciones de diferentes características BI-RADS de las imágenes sin procesar. Este marco, extrae la relación potencial entre las características, de tal menara que puedan ayudarse entre sí y así mejorar la precisión de la puntuación.

Después de varios ensayos y tras comparar el desempeño del aprendizaje conjunto multi-task/single-task con otros métodos de diagnóstico, los investigadores llegaron a las siguientes conclusiones. Basado en el esquema de puntuación cuantitativa para tumores de mama, se construyó un marco conjunto multitarea/tarea única, que da como salida las puntuaciones de diferentes características BI-RADS de las imágenes de US originales.

Por otro lado

Este marco puede reemplazar el proceso de puntuación realizado por los médicos y con esto reducir la carga de trabajo. Además, se puede utilizar como un proceso intermedio con una interpretación razonable. Al obtener la relación potencial entre las características se mejora la precisión de la puntuación de cada característica.

Los resultados experimentales demuestran el rendimiento superior del método propuesto, en contraste con otros métodos utilizados actualmente. Por lo tanto, se espera que este método asista a los médicos en el diagnóstico de tumores de mama benignos y malignos en la práctica.

Fuente: Huang, Q., Ye, L.  (2022) Multi-Task/Single-Task Joint Learning of Ultrasound BI-RADS Features. IEEE Transactions on Ultrasonics, Ferroelectrics, And Frequency Control, Vol. 69, No. 2. DOI: 10.1109/TUFFC.2021.3132933