Los investigadores utilizan el aprendizaje profundo para predecir el riesgo de cáncer de mama

Los investigadores destacan que estos hallazgos subrayan el potencial de la IA como un segundo lector para los radiólogos que puede reducir las imágenes innecesarias y los costos asociados.

La mamografía anual se recomienda a las mujeres a partir de los 40 años para detectar el cáncer de mama. Las investigaciones han demostrado que la mamografía de cribado disminuye la mortalidad por cáncer de mama al reducir la incidencia del cáncer avanzado.

Estas pruebas no sólo ayudan a detectar el cáncer, sino que también proporcionan una medida del riesgo de cáncer de mama mediante la medición de la densidad mamaria. Aunque las mamas más densas en la mamografía se asocian a un mayor riesgo de cáncer, hay otros factores, aún desconocidos, ocultos en la mamografía que probablemente contribuyen al riesgo.

"Los métodos convencionales de evaluación del riesgo de cáncer de mama mediante factores de riesgo clínicos no han sido tan eficaces --afirma el autor principal del estudio, el doctor John A. Shepherd, profesor e investigador del Programa de Ciencias de la Población en el Pacífico (Epidemiología) del Centro Oncológico de la Universidad de Hawai, en Estados Unidos--. Pensamos que había algo más en la imagen que la mera densidad mamaria que sería útil para evaluar el riesgo".

Para el nuevo estudio, el doctor Shepherd y sus colegas utilizaron un conjunto de datos de más de 25.000 mamografías digitales de cribado de 6.369 mujeres que participaron en la mamografía de cribado. Más de 1.600 de las mujeres desarrollaron un cáncer de mama detectado por el cribado, y 351 desarrollaron un cáncer de mama invasivo de intervalo.

Los investigadores entrenaron el modelo de aprendizaje profundo para encontrar detalles, o señales, en la mamografía que podrían estar relacionados con un mayor riesgo de cáncer. Cuando probaron el modelo basado en el aprendizaje profundo, tuvo un rendimiento inferior en la evaluación de los factores de riesgo de cáncer de intervalo, pero superó los factores de riesgo clínico, incluida la densidad mamaria, en la determinación del riesgo de cáncer detectado por el cribado.

"Los resultados mostraron que la señal adicional que estamos obteniendo con la IA proporciona una mejor estimación del riesgo de cáncer detectado por el cribado --destaca Shepherd--. Nos ayudó a cumplir nuestro objetivo de clasificar a las mujeres en bajo riesgo o alto riesgo de cáncer de mama detectado en el cribado".

Los hallazgos tienen implicaciones significativas para las prácticas clínicas en las que la densidad mamaria por sí sola guía muchas decisiones de gestión, según destacab. En lugar de aconsejarles que vuelvan el año que viene para otro cribado, las mujeres con una mamografía negativa podrían ser clasificadas por riesgo en una de las tres vías: bajo riesgo de cáncer de mama, elevado riesgo detectado por el cribado o elevado intervalo de cáncer invasivo en los próximos tres años, el tiempo medio de seguimiento del estudio.

"Esto nos permitiría utilizar el riesgo individual de una mujer para determinar la frecuencia con la que debe ser controlada --apunta Shepherd--. Las mujeres de menor riesgo podrían no necesitar ser monitoreadas con mamografía tan a menudo como aquellas con un alto riesgo de cáncer de mama".

El modelo de aprendizaje profundo también es prometedor para respaldar las decisiones sobre las imágenes adicionales con resonancia magnética y otras modalidades.

El doctor Shepherd añade que las mujeres en el grupo de aprendizaje profundo de alto riesgo que también tienen senos densos y tienen un mayor riesgo de cánceres de intervalo pueden beneficiarse más de una estrategia de monitoreo que incluye imágenes suplementarias que conservan la sensibilidad en los senos densos, como la resonancia magnética, la ecografía y las imágenes moleculares. Los cánceres de intervalo suelen tener una biología tumoral más agresiva y suelen descubrirse en una fase avanzada.

Junto con otras investigaciones recientes, el nuevo estudio apoya el papel de la IA en combinación con los factores de riesgo clínicos en la evaluación del riesgo de cáncer de mama.

"Al clasificar las mamografías en función de la probabilidad de ver cáncer en la imagen, la IA va a ser una poderosa herramienta de segunda lectura para ayudar a clasificar las mamografías", concluye.