La nueva IA detecta el cáncer de mama mediante el análisis de la densidad del tejido mamográfico

• El nuevo modelo de aprendizaje profundo analiza los tejidos mamarios en mamografías y estima con precisión las calificaciones de densidad.
• Estas calificaciones son un factor de riesgo independiente para el cáncer de mama.
• El modelo tarda menos de un segundo en procesar una mamografía y se puede escalar fácilmente en todos los hospitales.

En los Estados Unidos, las tasas de mortalidad por cáncer de mama son significativamente más altas que cualquier otro tipo de cáncer, además del cáncer de pulmón (en mujeres). Según el breastcancer.org, aproximadamente el 12,4 por ciento de las mujeres en los EE. UU. Desarrollan cáncer de mama invasivo a lo largo de su vida.

La mamografía es un método que utiliza rayos X de baja potencia para analizar la mama humana para la detección y el diagnóstico. Sin embargo, el tejido denso puede dificultar este proceso al enmascarar los cánceres en la mamografía. Por lo general, la evaluación de la densidad mamaria depende de la evaluación humana subjetiva. Los resultados varían entre los radiólogos debido a varios factores.

Ahora, los investigadores del Hospital General de Massachusetts (MGH) y el MIT han creado una herramienta automatizada que analiza con precisión el tejido mamario denso en mamografías. Es un modelo de aprendizaje profundo entrenado en decenas de miles de mamografías digitales de alta definición para que pueda aprender a diferenciar entre diferentes tipos de tejidos mamarios.

Dada una nueva imagen mamográfica, las herramientas pueden detectar una medición de densidad que es tan confiable como los radiólogos expertos. Según los autores, esta es la primera IA de este tipo que se ha demostrado con éxito en pacientes en el hospital. Creen que esta tecnología se puede implementar ampliamente en todo el país y brindará una mayor confiabilidad a las evaluaciones del tejido mamario.

Entrenamiento

La herramienta se basa en una red neuronal convolucional que está formada por neuronas con pesos y sesgos que se pueden aprender. Entrenaron y probaron la red en un rico conjunto de datos que contiene más de 58,000 imágenes mamográficas tomadas al azar de 39,000 mujeres examinadas entre 2009 y 2011. Aproximadamente 41,000 de estas imágenes se usaron para capacitación y 8,600 para pruebas.

Cada imagen demográfica contiene una clasificación de densidad BI-RAIDS (sistema de datos e informes de imágenes de mama) estándar en 4 grupos:

1. Heterogéneo (mayormente denso)
2. Densidad dispersa
3. Denso
4. Graso

En la fase de entrenamiento y prueba, casi el 40% fue calificado como denso y heterogéneo. Durante la fase de formación, la red se alimenta con imágenes mamográficas aleatorias para su evaluación. Aprende gradualmente a mapear mamografías de una manera que se alinea estrechamente con las calificaciones de densidad de los expertos.

Por ejemplo, las redes de tejido adiposo del seno parecen más delgadas con un área gris en todas partes, mientras que los senos densos consisten en tejido conectivo fibroso y glandular que aparece como una red compacta de parches blancos sólidos y líneas blancas gruesas. En la fase de prueba, la red ve nuevas imágenes mamográficas y estima el grupo de densidad más probable.

Referencia:Radiología RSNA | doi:10.1148 / radiol.2018180694 | MIT

La herramienta se implementó en el departamento de imágenes mamarias de MGH, donde se instaló en una máquina aislada. Por lo general, una mamografía se genera y se envía a un centro para su evaluación, que es realizada por un radiólogo experto. Después de todas las investigaciones necesarias, asigna una clasificación de densidad a cada mamografía.

Cuando los expertos realicen un escaneo en sus instalaciones, verán las calificaciones asignadas por esta herramienta de aprendizaje profundo, que pueden rechazar o aceptar.

Resultados

La red tarda menos de un segundo en procesar una mamografía y se puede escalar en todos los hospitales de la ciudad, sin gastar mucho dinero y sin mucha mano de obra.

Evaluación de radiólogo versus evaluación de aprendizaje profundo (DL) para prueba binaria | Cortesía de investigadores

Entre enero y mayo (2018), la red observó más de 10,000 imágenes mamográficas y pudo lograr un 94% de acuerdo entre los expertos en una prueba binaria, donde debían determinar si los senos eran densos y heterogéneos o dispersos y grasos. Para los 4 grupos BI-RAIDS, se alineó con la opinión de los expertos el 90% del tiempo.

Evaluación de radiólogos versus evaluación de aprendizaje profundo (DL) para 4 grupos BI-RAIDS | Cortesía de investigadores

En las pruebas generales (basadas en el conjunto de datos de entrenamiento), la red coincidió con las interpretaciones de los radiólogos el 87% del tiempo en las pruebas binarias y el 77% en 4 grupos BI-RADS.

Leer:AI puede oler enfermedades en el aliento humano | Incluyendo diferentes tipos de cáncer

Las técnicas de predicción convencionales utilizan una métrica denominada puntuación kappa, donde 1 representa que las estimaciones coinciden cada vez y un valor más bajo representa menos casos de acuerdos. Para los métodos existentes, las puntuaciones de Kappa llegan hasta 0,6, mientras que para el nuevo modelo, llega a 0,85 en la aplicación clínica y 0,76 en las pruebas generales. Esto indica claramente que la nueva herramienta hace una mejor estimación que las técnicas convencionales.