Radiología computacional en proyección y diagnostico de cáncer de mama utilizando inteligencia artificial
![Lista de estudios NUBIX PACS](https://i0.wp.com/nubix.cloud/wp-content/uploads/2020/08/cropped-shutterstock_481787206-scaled-e1631418070988.jpg?fit=360%2C240&ssl=1)
El cáncer de mama es la principal causa de muerte relacionada a cáncer en mujeres y es considerado como un problema global de salud. En 2018, surgieron aproximadamente 2.1 millones de casos globales nuevos, lo cual representa el 24.2% de todos los tumores malignos en mujeres. La proyección de cáncer de mama permite la detección temprana y las prácticas de proyección rutinaria ha sido ampliamente adoptada; en parte, por la disponibilidad de equipo de imagenología.
Se estima que se realizan aproximadamente 100 millones de mamografías por año. De acuerdo con registros estadounidenses, los radiólogos interpretan en promedio un volumen de 1777 mamografía de manera anual; y se han observado volúmenes más grandes en Europa y Canadá. Con respecto a la demanda de carga de trabajo y dedicación del tiempo apropiado para interpretar imágenes de manera continua puede ser un reto. Sólo el 36.4% del tiempo de los radiólogos es dedicado a la interpretación de imagen; mientras que el tiempo restante es requerido para completar tareas esenciales y deberes operacionales en el departamento de radiología.
A pesar de la presión para los radiólogos, el reporte rápido y con alta precisión sigue siendo prioridad.
Mejorar los procesos de eficiencia es deseable para las mamografías digitales de campo completo (MDCC) y la tomosíntesis digital de mama (TDM). Específicamente al coste bajo de capital para equipo y adquisición rápida de imagen para la proyección y diagnóstico de manera oportuna.
Detectar anormalidades y clasificar lesiones dentro de un órgano fisiológicamente heterogéneo presenta retos severos para los radiólogos: desde un diagnóstico erróneo debido a los cambios de la composición de la mama y estructuras sobrepuestas que podrían obscurecer las lesiones o las diferencias morfológicas y de textura. Con ello se ha incrementado el entusiasmo de los científicos y radiólogos para resolver esta clase de desafíos asociados con la proyección y diagnóstico de cáncer de mama.
Afortunadamente, la imagen de mama hoy en día se ha digitalizado de manera incremental
Lo cual crea oportunidades para desarrollar herramientas de asistencia para diagnostico y de toma de decisiones guiadas por computadora. Así, la radiología computacional en el contexto de imagenología de mama podría carrear tareas que tradicionalmente serían realizadas por radiólogos expertos. Esto incluye la visión por computador, como la identificación de lesiones o visión de patrones para la clasificación de las lesiones de acuerdo con un sistema de base de datos y reportes de imágenes de mama; e igualmente un informe sistemático. Otras tareas que no suelen ser tradicionalmente dirigidas por radiólogos son los teragnósticos. Lo que involucra la extracción de biomarcadores de imagen para modelos predictivos y de pronóstico para terapia de respuesta.
La columna vertebral de la radiología computacional es el uso de algoritmos de inteligencia artificial (IA). Los cuales son conformados de complejas funciones lógicas, constantes y estructuras matemáticas para completar operaciones específicas, esencialmente, aprender, discriminar y ejecutar tareas de manera cognitiva. La aplicación de la IA se ha expandido en la sociedad, pero en oncología, ha tenido pasos significativos en la detección de cáncer en la patología digital y en la planeación de instalaciones de radioterapia para tratamientos oncológicos.
Desarrollo de inteligencia artificial en imagen de tomosíntesis de mama
La investigación en el análisis de imagen de tomosíntesis ha llegado de manera oportuna, ya que varios centros han remplazado la tradicionales MDCC por la tomosíntesis 3D digital de mama. Esto es debido a la evidencia emergente de las tasas de detección de la TDM las cuales son superiores ante la MDCC. La TDM provee de una mejor calidad de imagen y mayores detalles estructurales comparados con la MDCC aprovechando la información capturada por imágenes multiplanares a varias distancias radiales.
Los principios de la TDM involucran un detector estático el cual recolecta la información de la fuente de rayos X rotacional de baja dosis. Mientras que las MDCC son capturadas dentro de un radio de ángulo limitado y alrededor de cada ángulo de proyección de la mama. Múltiples planos paralelos provenientes de cada proyección son alineados subsecuentemente y re-mapeados para mantener la geometría nativa y espacialidad de la mama. Finalmente, un conjunto sintetizado de imágenes TDM es creado. La TDM es capaz de reducir la señal de ruido de fondo del tejido ordinario de mama en lugar de la MDCC. La TDM también mejora la clasificación de lesiones malignas ya que reduce los falsos positivos por un 30-40%, comparado a solo utilizar MDCC.
¿Qué sucede cuando ambos tipos de imagen son utilizados?
Sin embargo, cuando ambos tipos de imagen son utilizados se ha demostrado que se tiene una mejora en la frecuencia de detección de carcinomas ductales in situ y de pequeños cánceres (<10 mm) invasivos. Las mayores limitaciones asociadas con TDM son la dificultad con grupos de caracterización de macro- calcificaciones y está asociado con mayores tiempos de interpretación. En resumen, la TDM ofrece una buena cantidad de información en la imagen que puede conducir a la mejora de la detección de lesiones y su caracterización.
Recientes estudios para introducir a la IA para la detección de masas en TDM han reportado que utilizando una base de datos con más de 40 mil muestras como conjunto de entrenamiento da como resultado una precisión de 86.81%, una sensibilidad de 86.6% y una especificidad de 87.5%. Estos resultados son prometedores para una arquitectura computacional que detecta masas. Sin embargo, la mayor limitación del estudio es el limitado numero de casos, los cuales son seleccionados por una sola institución. Se requieren de más estudios para la validación externa de bases de datos que puedan mejorar la confianza y reducir los sesgos de estos hallazgos.
Oportunidades para el aumento del acceso a radiología
Los centros comunitarios y rurales continúan enfrentando la escasez de personal que puede incrementar la demanda de plataformas de radiología computacional para ayudar con casos más exigentes. La posibilidad de una “segunda opción de virtual”, la cual usa una plataforma asistida por una IA con altos índices de positivos-verdaderos y negativos-verdaderos; lo cual es una herramienta deseable como asistencia en la toma de decisiones clínica. Otras oportunidades incluyen a la teleradiología, la cual podría ser útil para países de bajos ingresos que no tienen la experiencia. También podría tener la capacidad de transmitir imágenes por medio de redes seguras. Inclusive se podría desarrollar una IA que sea capaz de estar por sí misma reportando en radiología a través de portales y bases de datos en ambientes desatendidos.
El impacto anticipado de la radiología computacional lo que facilitará los desafíos de flujo de trabajo asociados con análisis de carga de casos de alto volumen, proveer proyección y diagnostico de manera rápida y mejorar la garantía de calidad. En su estado actual, esto no reemplazará el trabajo de radiólogos en el futuro cercano. Los radiólogos pueden utilizar la radiología computación y la IA como una herramienta adicional para reducir el retraso en el flujo de trabajo y reducir el intervalo de diagnósticos erróneos previos. La proyección y reportaje de radiología rápida, precisa y eficiente asegurara que los tratamientos oncológicos serán iniciados lo más pronto posible. El éxito de las metodologías de IA en la imagenología de mama reside en las líneas de estandarización rigurosas y requerirán de la acreditación de herramientas de IA para el uso rutinario en los centros de imagenología.
Tran, W. ,et al., 2020. Computational Radiology in Breast Cancer Screening and Diagnosis Using Artificial Intelligence. Canadian Association of Radiologists Journal, [online] 72(1), pp.98-108.