MADRID, 8 May. (EUROPA PRESS) -
La identificación de mujeres con riesgo de cáncer de mama es un componente crítico de la detección temprana efectiva de la enfermedad. Sin embargo, los modelos disponibles que utilizan factores como el historial familiar y la genética no son suficientes para predecir la probabilidad de que una mujer sea diagnosticada con la enfermedad.
La densidad mamaria (la cantidad de tejido denso en comparación con la cantidad de tejido graso en la mama en una mamografía) es un factor de riesgo independiente para el cáncer de mama que se ha agregado a algunos modelos para mejorar la evaluación de riesgos. Se basa en una evaluación subjetiva que puede variar entre los radiólogos, por lo que se ha estudiado un aprendizaje profundo, un subconjunto de inteligencia artificial (IA) en el que los ordenadores aprenden con el ejemplo, como una forma de estandarizar y automatizar estas mediciones.
Investigadores de dos importantes instituciones han desarrollado una nueva herramienta con métodos avanzados de inteligencia artificial para predecir el riesgo futuro de cáncer de mama en una mujer, según un nuevo estudio publicado en la revista 'Radiology'.
"Hay mucha más información en una mamografía que solo las cuatro categorías de densidad mamaria", apunta el autor principal del estudio, Adam Yala, candidato en el Instituto de Tecnología de Massachusetts (MIT, por sus siglas en inglés) en Cambridge, Massachusetts, Estados Unidos. "Al utilizar el modelo de aprendizaje profundo, aprendemos señales sutiles que son indicativas de cáncer en el futuro", agrega.
Yala, en colaboración con Regina Barzilay, experta en AI y profesora del MIT, y Constance Lehman, jefa de Diagnóstico de iImágenes de la Mama en el Hospital General de Massachusetts (MGH, por sus siglas en inglés) en Boston, Estados Unidos, y profesora de Radiología en la Escuela de Medicina de la Universidad de Harvard, en Estados Unidos, comparó recientemente tres enfoques 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.
MISMA EFICACIA EN LAS DISTINTAS RAZAS
Los modelos de aprendizaje profundo produjeron una discriminación de riesgo sustancialmente mejor 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 científicos encontraron que las pacientes con senos no densos y con alto riesgo evaluado por el modelo tenían 3,9 veces incidencia de cáncer que las mujeres con mamas con senos densos y bajo riesgo evaluado por el modelo. Las ventajas se mantuvieron entre los diferentes subgrupos de mujeres.
"A diferencia de los modelos tradicionales, nuestro modelo de aprendizaje profundo funciona igualmente bien en diversas razas, edades e historias familiares", explica Barzilay. "Hasta ahora, las mujeres afroamericanas se encontraban en una clara desventaja a la hora de tener una evaluación de riesgo precisa del futuro cáncer de mama. Nuestro modelo de IA ha cambiado eso".
"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", agrega Yala. "Al usar el aprendizaje profundo, podemos aprender a aprovechar esa información directamente de los datos y crear modelos que sean significativamente más precisos en diversas poblaciones", subraya.
Las mediciones de densidad mamaria asistidas por AI ya están en uso para las mamografías de detección realizadas en MGH. Los científicos están rastreando su desempeño en la clínica mientras trabajan para refinar las formas de comunicar la información de riesgo a las mujeres y sus médicos de atención primaria.
"Un elemento que falta para apoyar programas de detección más efectivos y personalizados ha sido las herramientas de evaluación de riesgos que son fáciles de implementar y que funcionan en toda la diversidad de mujeres a las que atendemos", apunta la doctora Lehman. "Estamos encantados con nuestros resultados y ansiosos por trabajar de cerca con nuestros sistemas de atención médica, nuestros proveedores y, lo más importante, nuestros pacientes para incorporar este descubrimiento a mejores resultados para todas las mujeres", concluye.
