La inteligencia artificial (IA) mejora la precisión de la detección del cáncer de mama para los radiólogos cuando interpretan mamografías de detección, ayudándolos a dedicar más atención a las áreas sospechosas, según un estudio publicado en Radiology.
Investigaciones previas han demostrado que la IA para el apoyo a la toma de decisiones mejora el rendimiento de los radiólogos al aumentar la sensibilidad para la detección del cáncer sin aumentar el tiempo de lectura. Sin embargo, el impacto de la IA en los patrones de búsqueda visual de los radiólogos aún no se ha explorado completamente.
Para obtener más información, los investigadores utilizaron un sistema de seguimiento ocular para comparar el rendimiento del radiólogo y los patrones de búsqueda visual al leer mamografías de cribado con y sin un sistema de apoyo a la toma de decisiones con IA. El sistema incluía un pequeño dispositivo con cámara colocado frente a la pantalla con dos luces infrarrojas y una cámara central. Las luces infrarrojas iluminan los ojos del radiólogo y la cámara captura los reflejos, lo que permite calcular las coordenadas exactas de sus ojos en la pantalla.
“Al analizar estos datos, podemos determinar en qué partes de las mamografías se centra el radiólogo y durante cuánto tiempo, lo que proporciona información valiosa sobre sus patrones de lectura”, afirmó la primera autora conjunta del estudio, Jessie JJ Gommers, M.Sc., del Departamento de Imágenes Médicas del Centro Médico Universitario Radboud en Nijmegen, Países Bajos.
En el estudio, 12 radiólogos interpretaron mamografías de 150 mujeres, incluidas 75 con cáncer de mama y 75 sin él.
La precisión en la detección del cáncer de mama entre los radiólogos fue mayor con la ayuda de IA que con la lectura sin ayuda. No se observaron diferencias en la sensibilidad media, la especificidad ni el tiempo de lectura.
“Los resultados son alentadores”, afirmó Gommers. “Con la disponibilidad de la información de IA, los radiólogos obtuvieron resultados significativamente mejores”.
Los datos de seguimiento ocular mostraron que los radiólogos pasaron más tiempo examinando regiones que contenían lesiones reales cuando el soporte de IA estaba disponible.
Los radiólogos parecían ajustar su comportamiento de lectura según el nivel de sospecha de la IA: cuando la IA daba una puntuación baja, probablemente los tranquilizaba, ayudándolos a avanzar con mayor rapidez en los casos claramente normales —dijo Gommers—. Por el contrario, las puntuaciones altas de la IA los impulsaban a realizar una segunda revisión, más cuidadosa, sobre todo en los casos más complejos o sutiles.
Las marcas regionales de la IA funcionaron como señales visuales, explicó Gommers, guiando la atención de los radiólogos hacia áreas potencialmente sospechosas. En esencia, añadió, la IA actuó como un par de ojos adicionales, proporcionando a los radiólogos información adicional que mejoró tanto la precisión como la eficiencia de la interpretación.
“En general, la IA no solo ayudó a los radiólogos a centrarse en los casos adecuados, sino que también dirigió su atención a las regiones más relevantes dentro de esos casos, lo que sugiere un papel importante para la IA en la mejora tanto del rendimiento como de la eficiencia en la detección del cáncer de mama”, afirmó Gommers.
Gommers señaló que la dependencia excesiva de sugerencias erróneas de la IA podría provocar la omisión de cánceres o la repetición innecesaria de nuevas imágenes. Sin embargo, diversos estudios han demostrado que la IA puede tener un rendimiento tan bueno como el de los radiólogos en la interpretación de mamografías, lo que sugiere que el riesgo de información errónea de la IA es relativamente bajo.
Para mitigar los riesgos de errores, dijo Gommers, es importante que la IA sea muy precisa y que los radiólogos que la utilizan se sientan responsables de sus propias decisiones.
“Es fundamental capacitar a los radiólogos para interpretar críticamente la información de la IA”, afirmó.
Los investigadores están realizando estudios adicionales sobre lectores para explorar cuándo debería estar disponible la información de la IA, por ejemplo, inmediatamente después de abrir un caso o cuando se solicita. Además, están desarrollando métodos para predecir si la IA tiene dudas sobre sus decisiones.
“Esto permitiría un uso más selectivo del apoyo de la IA, aplicándolo solo cuando sea probable que proporcione un beneficio significativo”, dijo Gommers.