Deep learning en la radiología mamaria: avances actuales y direcciones futuras

En conjunto con los nuevos avances en Machine Learning (ML) e inteligencia artificial (IA), ha surgido la pregunta de cómo utilizar estas nuevas herramientas en la radiología. Al contrario de lo que uno puede pensar, el uso de la IA en la radiología mamaria no es una idea nueva, los sistemas con detección asistida por computadora (CAD) fueron aprobados por la FDA (Administración de alimentos y medicamentos de USA) desde 1998.

            El increíble desarrollo del ML en los últimos años ha dado pie a nuevos modelos de inteligencia artificial, tal como lo son las redes neuronales artificiales (ANN), las cuales están basadas en las redes neuronales humanas, unidades organizadas intercomunicadas de cómputo, distribuidas en capas. Cuando hablamos de Deep Learning (DL), tenemos un sistema con capas “intermedias” de estas redes neuronales.

CAD tradicional y basados en DL

            La gran diferencia entre los modelos CAD tradicionales con los basados en DL es que, los primeros trabajan con características prefabricadas para el software, mientras que los basados en DL pueden construir sus propias características de acuerdo con el entrenamiento que reciben los softwares. Otra ventaja de los sistemas CAD basados en DL es que nunca en la historia se había tenido acceso a la gran cantidad de datos que se tiene hoy en día, haciendo que los nuevos algoritmos puedan ser entrenados de una forma más robusta. El DL enfocado a la radiología mamaria se basa en modelos diseñados para clasificar regiones de interés (ROI).

            En la radiología mamaria existen diversas técnicas utilizadas para la detección de cáncer de mama, tales como: mamografía digital, tomosíntesis digital de mama, ultrasonido de mama y la resonancia magnética de mama. Diferentes modelos basados en DL se han utilizado como auxiliares en la clasificación de imágenes médicas para la detección de cáncer de mama. Así, para poder medir los resultados de clasificación en imagenología se diseñó la medida AUC: Appropriate use criteria, la cual nos indica en nivel de precisión en el diagnóstico.

Para la mamografía digital,

La IA obtuvo un AUC de 0.840, comparado con un AUC de 0.814 obtenido por 14 radiólogos, de misma forma, se utilizó la misma IA como apoyo al radiólogo, el cuál incrementó su puntaje AUC de 0.866 a 0.886 con apoyo de la IA. Para la tomosíntesis digital se utilizaron ANN, en dicho estudio 24 radiólogos obtuvieron un AUC de 0.795 sin apoyo de las ANN, pero con apoyo de las ANN se obtuvo un AUC de 0.852. En el caso del ultrasonido, el DL utilizado obtuvo un AUC de 0.84 contra un AUC de 0.89 obtenido por los radiólogos. Para la resonancia magnética se utilizó un modelo 3D DenseNet, el cual obtuvo una precisión general del 83.7%, menor a la obtenida por los radiólogos del 85.7%, los radiólogos obtuvieron una sensibilidad superior (98.5% vs 90.8%) pero una especificidad menor (59.4% vs 69.3%).

En conclusión

Es posible notar que los avances en el campo de la inteligencia artificial y sus distintas técnicas han obtenido muy buenos resultados en su aplicación radiológica, sin embargo, aún existen retos importantes, tales como el hecho de que un programa sólo está diseñado para una tarea en específico y no puede realizar alguna otra. Así también se considera que el resultado lanzado por la IA pueda influir en la decisión del radiólogo, aunado a que no es posible discutir con la IA sobre cómo se llegó a dicha conclusión.

También es importante mencionar que estos sistemas deben de estar perfectamente blindados contra ataques cibernéticos, ya que un ataque puede desencadenar en miles de diagnósticos fallidos. Sin duda, las posibilidades que se tienen con estos nuevos sistemas de IA son prometedores para mejorar la forma en que se realizan algunas tareas del sector salud, existen condiciones regulatorias, éticas y medicolegales implicadas que merecen de un estudio más profundo.

Traducido y adaptado de: Ou, W. C., Polat, D., & Dogan, B. E. (2021). Deep learning in breast radiology: current progress and future directions. European Radiology, 31(7), 4872–4885. https://doi-org.udlap.idm.oclc.org/10.1007/s00330-020-07640-9