Un nuevo modelo Deep-Learning aplicado a la detección y predicción del cáncer de mama por factores de riesgo
Una detección temprana del cáncer y su tratamiento temprano permite elevar la probabilidad de no intervención quirúrgica y supervivencia. En adición, existen los factores de riesgo que permite inferir la probabilidad de que un paciente padezca la enfermedad. Ya sea por historial familiar y/o signos que presente.
Sin embargo, es común saber que los pacientes no conozcan sus antecedentes médicos familiares y, por ello, descuiden su salud mas fácilmente. Con la información ya existente de casos anteriores con un seguimiento apropiado de imágenes mas registros y bases de datos, es posible comparar la información recolectada para tratar de predecir la o no aparición del cáncer.
¿Qué proponen los autores?
Para ello, Adam Yala, et al. Del Departamento de Ingeniería Eléctrica y Ciencias Computacionales del Instituto de tecnología de Massachussets; y del Departamento de Radiología del Hospital General de Massachussets y la Escuela de Medicina de Harvard, Boston. Crearon un modelo que es capaz de comparar 39,272 de 60,886 recolectados de cinco hospitales académicos y generales, usando como parámetro principal la densidad del tejido.
Entrando a la metodología, se crearon tres modelos, uno basado en el modelo de regresión logística donde se usaron de manera principal los factores de riesgo, el Deep-Learning. Donde se usaron imágenes de mamografías únicamente, y un modelo hibrido, donde combinaron e implementaron ambos datos. Los tres modelos tienen la tarea de predecir su el paciente va a desarrollar o no el cáncer dentro de los próximos 5 años. Para tener datos de mayor variedad, se usaron distintas combinaciones entre la información usada y en paralelo se usó un modelo Tyrer-Cuzick (TC) que ya es usado para estos estudios con las mismas variaciones que los modelos puestos a prueba.
¿Qué resultados se obtuvieron?
Los resultados fueron obtenidos usando los factores de riesgo de edad, peso, altura, edad de la menarquía, etapa de menopausia; un detallado historial familiar de cáncer de mama o de ovario, hiperplasia atípica, carcinoma lobular y densidad mamaria.
Para tener una escala cuantitativa para tener la eficacia de todos los modelos se usó el “receiver operating characteristic curve (AUCs)” para obtener una escala numérica entre los casos acertados de detección y el total de los casos y utilizando distintos conjuntos de datos; todos los datos, el conjunto de: subgrupos por raza, etapa de menopausia e historial familiar. En ambos casos, el modelo hibrido de Deep-Learning mostró un mejor desempeño diagnosticando los casos que el modelo establecido de TC.
Para la evaluación de predicción de riesgo de cáncer de mama, los modelos creados se desempeñaron de manera similar. Pero superando al modelo TC, sobre todo el modelo no hibrido Deep-Learning, que pronosticó casos sin la información de los factores de riesgo.
No obstante, los autores señalan que este modelo requiere de más pruebas con más datos. Pues se utilizó únicamente con una base de datos pequeña donde solo se uso un grupo racial especifico. Además, no tienen información de cual será su comportamiento con otros grupos. Por lo que necesita trabajarse y hacer mayores investigaciones con otros exámenes de diagnóstico aunque dando un desempeño prometedor.
Yala, A, Lehman, C. Schuster, T. Portnoi, T. Barzilay, R. (2019) A Deep-Learning mammography-based Model for improved Breast Cancer Risk Prediction. Recuperado el: 01/07/2021. Disponible en: https://pubs.rsna.org/doi/pdf/10.1148/radiol.2019182716
