Modelo basado en IA como predictor de cáncer de mama
Un método simplificado y mejorado de deep learning que analiza la asimetría mamaria puede predecir el riesgo de la patología de 1 a 5 años.
Estudios recientes sobre inteligencia artificial han demostrado un buen rendimiento cuando se utilizan datos de mamografías. Mirai es un algoritmo de última generación basado en deep learning que se emplea para predecir el riesgo de cáncer de mama a corto plazo. Este supera a los modelos de riesgo clínico estándar, sin embargo, poco se conoce de la lógica de razonamiento que emplea para los diagnósticos, lo que hace que estos puedan ser incorrectos.
Con el objetivo de mejorar esta herramienta, Jon Donnelly y su equipo de investigación de la Universidad Duke en Carolina del Norte - EE. UU., crearon un modelo simplificado y entendible (AsymMirai) y evaluaron su poder predictivo en un período de 1 a 5 años.
Este estudio retrospectivo incluyó mamografías (n= 210.067) de 81.824 pacientes (edad promedio: 59,4 años) de la base de datos de imágenes EMory BrEast (EMBED). Para aproximar las predicciones de la patología de 1 a 5 años, el nuevo algoritmo se creó con un módulo interpretable usando disimilitud bilateral local, que permitía ver las diferencias localizadas entre el tejido mamario izquierdo y derecho. Se compararon las puntuaciones de riesgo de AsymMirai y Mirai.
La disimilitud bilateral obtenida mediante deep learning produjo puntuaciones de riesgo similares a las de Mirai (predicción de riesgo a 1 año, r = 0,6832; predicción a 4-5 años, r = 0,6988) y alcanzó un rendimiento parecido.
Los hallazgos demuestran que, la disimilitud bilateral localizada es un potencial marcador de imagen válido y entendible para determinar la probabilidad de desarrollar cáncer de mama a corto plazo. Esto concuerda con la importancia clínica de la asimetría mamaria y puede convertirse en una herramienta útil para los radiólogos.
Fuente bibliográfica
AsymMirai: Interpretable Mammography-based Deep Learning Model for 1-5-year Breast Cancer Risk Prediction
Donnelly J, et al. Departments of Computer Science and Electrical and Computer Engineering, Duke University
Radiology 2024 Mar; 310(3):e232780
