Método nuevo de IA predice el cáncer de mama con cinco años de antelación

En algunos modelos, se agregó la densidad mamaria (la cantidad de tejido denso en comparación con la cantidad de tejido graso en la mama en una mamografía) para mejorar la evaluación del riesgo, ya que es un factor de riesgo independiente para el cáncer de mama. Dado que se basa en una evaluación subjetiva que puede variar entre los radiólogos, se ha estudiado el aprendizaje profundo, un subconjunto de la IA en el que las computadoras aprenden con el ejemplo, como una forma de estandarizar y automatizar estas mediciones.

Adam Yala, un candidato a Ph.D. en el Instituto de Tecnología de Massachusetts (MIT), en colaboración con Regina Barzilay, Ph.D., una experta en inteligencia artificial y profesora de MIT, y Constance Lehman, MD, Ph.D., jefe de imagenología de mama en el Hospital General de Massachusetts y profesora de radiología en la facultad de medicina de Harvard, compararon recientemente tres métodos diferentes de evaluación de riesgos.

El primer modelo se basó en los factores de riesgo tradicionales, el segundo en el aprendizaje profundo que usó solo la mamografía y el tercero en un enfoque híbrido que incorporó tanto la mamografía como los factores de riesgo tradicionales en el modelo de aprendizaje profundo. Los investigadores utilizaron casi 90.000 mamografías de detección de alta resolución de aproximadamente 40.000 mujeres para entrenar, validar y probar el modelo de aprendizaje profundo. Pudieron obtener resultados de cáncer a través de la vinculación con un registro regional de tumores.

Los modelos de aprendizaje profundo produjeron una discriminación de riesgo sustancialmente mejorada con respecto al modelo de Tyrer-Cuzick, un estándar clínico actual que utiliza la densidad mamaria en el riesgo de factorización. Al comparar el modelo de aprendizaje profundo híbrido con la densidad de los senos, los investigadores encontraron que las pacientes con senos no densos y con alto riesgo evaluado por el modelo tenían 3,9 veces la incidencia de cáncer de las pacientes con senos densos y bajo riesgo evaluado por el modelo. Las ventajas se mantuvieron para los diferentes subgrupos de mujeres.

“Hay mucha más información en una mamografía que solo las cuatro categorías de densidad mamaria. A través del uso del modelo de aprendizaje profundo, aprendemos señales sutiles que son indicativas de un futuro cáncer”, dijo Yala. “Hay una gran cantidad de información en una mamografía de resolución completa que los modelos de riesgo de cáncer de mama no han podido usar hasta hace poco. Con el aprendizaje profundo, podemos aprender a aprovechar esa información directamente de los datos y crear modelos que sean significativamente más exactos en diversas poblaciones”.

“A diferencia de los modelos tradicionales, nuestro modelo de aprendizaje profundo funciona igualmente bien en diversas razas, edades e historias familiares”, dijo la Dra. Barzilay. “Hasta ahora, las mujeres afroamericanas se encontraban en una clara desventaja al momento de realizarles una evaluación de riesgo exacta del futuro cáncer de mama. Nuestro modelo de IA ha cambiado eso”.

“Un elemento faltante para apoyar programas de detección más efectivos y personalizados ha sido las herramientas de evaluación de riesgos que sean fáciles de implementar y que funcionen en toda la diversidad de mujeres a las que atendemos”, dijo el Dr. Lehman. “Estamos encantados con nuestros resultados y ansiosos por trabajar en estrecha colaboración con nuestros sistemas de atención médica, nuestros proveedores y, lo más importante, nuestros pacientes para incorporar este descubrimiento en resultados mejorados para todas las mujeres”.

Enlace relacionado:
Instituto de Tecnología de Massachusetts, MIT