Avance en IA: análisis de mamografías en 1 segundo detecta riesgo de cáncer de mama mediante densidad de tejido

• Nuevo modelo de aprendizaje profundo analiza tejidos mamarios en mamografías y estima con precisión los índices de densidad.
• Estos índices son un factor de riesgo independiente para el cáncer de mama.
• El modelo tarda menos de un segundo en procesar una mamografía y podría escalarse fácilmente en hospitales.

En Estados Unidos, las tasas de mortalidad por cáncer de mama son significativamente más altas que cualquier otro tipo de cáncer, excepto el de pulmón (en mujeres). Según breastcancer.org, aproximadamente el 12,4 % de las mujeres en 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 con fines de cribado y diagnóstico. Sin embargo, el tejido denso puede dificultar este proceso al enmascarar cánceres en la mamografía. Típicamente, la evaluación de la densidad mamaria depende de la valoración subjetiva humana. Los resultados varían entre radiólogos debido a varios factores.

Ahora, 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 con decenas de miles de mamografías digitales de alta definición para que aprenda a diferenciar entre distintos tipos de tejidos mamarios.

Dada una nueva imagen mamográfica, la herramienta puede detectar una medición de densidad tan fiable como la de radiólogos expertos. Según los autores, esta es la primera IA de su tipo demostrada con éxito en pacientes en un hospital. Creen que esta tecnología puede implementarse ampliamente en todo el país y aportará mayor fiabilidad a las evaluaciones de tejido mamario.

Entrenamiento

La herramienta se basa en una red neuronal convolucional compuesta por neuronas con pesos y sesgos aprendibles. Entrenaron y probaron la red en un rico conjunto de datos que contenía más de 58.000 imágenes mamográficas tomadas aleatoriamente de 39.000 mujeres examinadas entre 2009 y 2011. Unas 41.000 imágenes se usaron para entrenamiento y 8.600 para pruebas.

Cada imagen demográfica contiene una calificación de densidad estándar BI-RADS (Sistema de Informes y Datos de Imagen Mamaria) en 4 grupos:

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

En las fases de entrenamiento y prueba, casi el 40 % fueron calificados como densos y heterogéneos. Durante el entrenamiento, la red recibe imágenes mamográficas aleatorias para evaluación. Gradualmente aprende a mapear mamografías de forma que se alineen estrechamente con las calificaciones de densidad de los expertos.

Por ejemplo, las redes de tejido mamario graso parecen más delgadas con áreas grises throughout, 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: RSNA Radiology | doi:10.1148/radiol.2018180694 | MIT

La herramienta se implementó en el departamento de imagen mamaria del MGH, instalada en una máquina aislada. Típicamente, se genera una mamografía y se envía a un centro para evaluación, realizada por un radiólogo experto. Tras todas las investigaciones necesarias, este asigna una calificación de densidad a cada mamografía.

Cuando los expertos abren un escaneo en su centro, 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 podría escalarse en hospitales de la ciudad, sin gastar mucho dinero ni mucha mano de obra.

Evaluación de radiólogo vs aprendizaje profundo (DL) para prueba binaria | Cortesía de los investigadores

Entre enero y mayo (2018), la red observó más de 10.000 imágenes mamográficas, logrando un 94 % de concordancia entre expertos en una prueba binaria, donde debían determinar si los senos eran densos/heterogéneos o dispersos/grasos. En los 4 grupos BI-RADS, coincidió con la opinión de expertos el 90 % de las veces.

Evaluación de radiólogo vs aprendizaje profundo (DL) para 4 grupos BI-RADS | Cortesía de los investigadores

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

Lea también: La IA puede oler enfermedades en el aliento humano | Incluyendo diferentes cánceres

Las técnicas de predicción convencionales usan una métrica llamada puntuación kappa, donde 1 representa concordancia total y valores menores indican menos casos de acuerdo. En métodos existentes, las puntuaciones kappa alcanzan hasta 0,6, mientras que para el nuevo modelo llegan a 0,85 en aplicación clínica y 0,76 en pruebas generales. Esto indica claramente que la nueva herramienta hace mejores estimaciones que las técnicas convencionales.