sábado 20 abril, 2024
suscribete al newsletter

Desarrollan un modelo de Deep Learning para predecir el cáncer de mama

OAK BROOK, Illinois — Investigadores han desarrollado un nuevo modelo de inteligencia artificial (IA) interpretable para predecir el riesgo de cáncer de mama a 5 años a partir de mamografías, según un nuevo estudio publicado en Radiology.

Según la Sociedad Estadounidense del Cáncer, una de cada 8 mujeres, o aproximadamente el 13% de la población femenina de EE.UU., desarrollará cáncer de mama invasivo a lo largo de su vida y 1 de cada 39 mujeres (3%) morirá a causa de la enfermedad. Para muchas mujeres, la mamografía es la mejor manera de detectar el cáncer de mama en sus etapas iniciales, cuando el tratamiento es más eficaz. Tener mamografías programadas regularmente puede reducir significativamente el riesgo de morir por cáncer de mama. Sin embargo, aún no está claro cómo predecir con precisión qué mujeres desarrollarán cáncer de mama mediante pruebas de detección únicamente.

Figura 1. Diagrama de flujo de exclusión para la cohorte de validación. La división de validación del conjunto de datos de imágenes EMory BrEast (EMBED) incluyó 23,382 pacientes y 76,373 exámenes de 2013 a 2020. Exámenes con datos anormales (42 pacientes, 1,344 exámenes), exámenes sin imágenes bidimensionales (2D) (88 pacientes, 2,271 exámenes), Se excluyeron los exámenes sin las cuatro vistas de detección (5.810 pacientes, 28.175 exámenes) y los exámenes de diagnóstico (1.228 pacientes, 2.595 exámenes). La cohorte resultante incluyó 16.314 pacientes con 41.988 exámenes. El número de pacientes y exámenes con datos de seguimiento suficientes para evaluar 1 año (16 314 pacientes, 41 988 exámenes), 2 años (10 523 pacientes, 28 895 exámenes), 3 años (8 408 pacientes, 21 274 exámenes), 4 años (6.807 pacientes, 15.414 exámenes) y las áreas de 5 años (5.419 pacientes, 10.598 exámenes) bajo la curva característica operativa del receptor se encuentran en la parte inferior de la figura.
Figura 1. Diagrama de flujo de exclusión para la cohorte de validación. La división de validación del conjunto de datos de imágenes EMory BrEast (EMBED) incluyó 23,382 pacientes y 76,373 exámenes de 2013 a 2020. Exámenes con datos anormales (42 pacientes, 1,344 exámenes), exámenes sin imágenes bidimensionales (2D) (88 pacientes, 2,271 exámenes), Se excluyeron los exámenes sin las cuatro vistas de detección (5.810 pacientes, 28.175 exámenes) y los exámenes de diagnóstico (1.228 pacientes, 2.595 exámenes). La cohorte resultante incluyó 16.314 pacientes con 41.988 exámenes. El número de pacientes y exámenes con datos de seguimiento suficientes para evaluar 1 año (16 314 pacientes, 41 988 exámenes), 2 años (10 523 pacientes, 28 895 exámenes), 3 años (8 408 pacientes, 21 274 exámenes), 4 años (6.807 pacientes, 15.414 exámenes) y las áreas de 5 años (5.419 pacientes, 10.598 exámenes) bajo la curva característica operativa del receptor se encuentran en la parte inferior de la figura.

Mirai, un algoritmo de última generación basado en el aprendizaje profundo, ha demostrado su eficacia como herramienta para ayudar a predecir el cáncer de mama pero, debido a que se sabe poco sobre su proceso de razonamiento, el algoritmo tiene el potencial de ser excesivamente confiable por parte de los radiólogos e incorrecto. diagnósticos.

Figura 2. Comparación de arquitectura de AsymMirai (izquierda) y Mirai (derecha). Ambos modelos introducen las cuatro vistas de detección en las mismas capas de la red neuronal convolucional (CNN), pero el razonamiento diverge a partir de entonces. AsymMirai tiene menos capas computacionales y, en cambio, calcula diferencias en las características latentes, como lo muestran los mapas de calor en los pasos de asimetría craneocaudal (CC) y asimetría oblicua mediolateral (MLO). Luego, AsymMirai encuentra la ventana de predicción que contiene las diferencias más altas para cada vista, representada por cuadros rojos en el paso Obtener ventana de predicción. Las diferencias máximas de características dentro de estas ventanas se promedian para crear una puntuación de riesgo. AHL = capa de peligro aditiva.
Figura 2. Comparación de arquitectura de AsymMirai (izquierda) y Mirai (derecha). Ambos modelos introducen las cuatro vistas de detección en las mismas capas de la red neuronal convolucional (CNN), pero el razonamiento diverge a partir de entonces. AsymMirai tiene menos capas computacionales y, en cambio, calcula diferencias en las características latentes, como lo muestran los mapas de calor en los pasos de asimetría craneocaudal (CC) y asimetría oblicua mediolateral (MLO). Luego, AsymMirai encuentra la ventana de predicción que contiene las diferencias más altas para cada vista, representada por cuadros rojos en el paso Obtener ventana de predicción. Las diferencias máximas de características dentro de estas ventanas se promedian para crear una puntuación de riesgo. AHL = capa de peligro aditiva.

«Mirai es una caja negra, una red neuronal muy grande y compleja, similar en construcción a ChatGPT, y nadie sabía cómo tomaba sus decisiones», dijo el autor principal del estudio, Jon Donnelly, BS, Ph.D. Estudiante del Departamento de Ciencias de la Computación de la Universidad de Duke en Durham, Carolina del Norte. «Desarrollamos un método de inteligencia artificial interpretable que nos permite predecir el cáncer de mama a partir de mamografías con 1 a 5 años de anticipación. AsymMirai es mucho más simple y fácil de entender que Mirai».

Figura 3. Resultados del modelo AsymMirai. Las imágenes de entrada son mamografías de detección de campo completo. Las dos imágenes de detección bilaterales se superponen dentro del mapa de calor y la ventana de predicción (cuadro rojo) indica el área con la mayor disimilitud. El mapa de calor y la ventana de predicción son visualizaciones de los resultados del modelo de AsymMirai, no mapas de prominencia post hoc como GradCAM. El análisis de estos resultados proporciona una comprensión más profunda de las puntuaciones, distinguiendo en estos casos el razonamiento confuso del razonamiento sin confusión para pacientes con macroasimetrías. (A–C) Imágenes de pacientes que desarrollaron cáncer en 1 a 5 años. (A) En una mujer blanca de 49 años con aumento mamario unilateral que se sometió a un examen de detección anual, AsymMirai predijo un alto riesgo de desarrollar cáncer. La biopsia confirmó un carcinoma ductal invasivo en la mama derecha 5 años después. La ventana de predicción no se vio afectada por el implante unilateral. (B) En una mujer afroamericana de 43 años con un examen inicial a los 42 años, AsymMirai predijo un alto riesgo de desarrollar cáncer. La ventana de predicción corresponde a la asimetría retroareolar. La biopsia realizada 4 años después confirmó un carcinoma ductal invasivo en la mama derecha. Los ganglios linfáticos intramamarios se ignoraron correctamente. (C) En una mujer afroamericana de 50 años con exámenes de detección regulares y calcificaciones heterogéneas gruesas en la posición de las 12 en punto, AsymMirai predijo un alto riesgo de desarrollar cáncer. La biopsia confirmó el carcinoma ductal invasivo bilateral 20 meses después, con el cáncer en la mama izquierda en la posición de las 12 en punto. (D – F) Imágenes en pacientes que no desarrollaron cáncer pero que tenían predicciones de riesgo identificablemente confusas. (D) En una mujer blanca de 60 años con aumento mamario bilateral y mamografías de detección periódicas, AsymMirai predijo un riesgo moderado de desarrollar cáncer, confundido por la asimetría artificial causada por la exclusión del implante desde la vista craneocaudal derecha. (E) En una mujer blanca de 73 años con mamografías de detección regulares y calcificaciones distróficas conocidas en el seno izquierdo, AsymMirai predijo un alto riesgo de desarrollar cáncer, confundido por una mala posición en la vista oblicua mediolateral izquierda y una posible distorsión en la vista mediolateral derecha. vista oblicua. (F) En una mujer afroamericana de 65 años con microcalcificaciones benignas bilaterales, AsymMirai predijo un riesgo moderado de desarrollar cáncer, confundido por las calcificaciones. Entre los pacientes sin cáncer, Mirai identificó correctamente al paciente en D como de bajo riesgo de desarrollar cáncer (riesgo percentil 20), pero también clasificó erróneamente a los pacientes en E y F.(percentiles 84 y 95, respectivamente). Estos ejemplos fueron elegidos sin conocimiento de las puntuaciones de riesgo de Mirai. A diferencia de cuando se revisa el tejido en la ventana de predicción de AsymMirai, no hay forma de identificar ex ante los casos en los que Mirai se confundió porque solo produce una puntuación. CC = craneocaudal, IDC = carcinoma ductal invasivo, MLO = oblicuo mediolateral.
Figura 3. Resultados del modelo AsymMirai. Las imágenes de entrada son mamografías de detección de campo completo. Las dos imágenes de detección bilaterales se superponen dentro del mapa de calor y la ventana de predicción (cuadro rojo) indica el área con la mayor disimilitud. El mapa de calor y la ventana de predicción son visualizaciones de los resultados del modelo de AsymMirai, no mapas de prominencia post hoc como GradCAM. El análisis de estos resultados proporciona una comprensión más profunda de las puntuaciones, distinguiendo en estos casos el razonamiento confuso del razonamiento sin confusión para pacientes con macroasimetrías. (A–C) Imágenes de pacientes que desarrollaron cáncer en 1 a 5 años. (A) En una mujer blanca de 49 años con aumento mamario unilateral que se sometió a un examen de detección anual, AsymMirai predijo un alto riesgo de desarrollar cáncer. La biopsia confirmó un carcinoma ductal invasivo en la mama derecha 5 años después. La ventana de predicción no se vio afectada por el implante unilateral. (B) En una mujer afroamericana de 43 años con un examen inicial a los 42 años, AsymMirai predijo un alto riesgo de desarrollar cáncer. La ventana de predicción corresponde a la asimetría retroareolar. La biopsia realizada 4 años después confirmó un carcinoma ductal invasivo en la mama derecha. Los ganglios linfáticos intramamarios se ignoraron correctamente. (C) En una mujer afroamericana de 50 años con exámenes de detección regulares y calcificaciones heterogéneas gruesas en la posición de las 12 en punto, AsymMirai predijo un alto riesgo de desarrollar cáncer. La biopsia confirmó el carcinoma ductal invasivo bilateral 20 meses después, con el cáncer en la mama izquierda en la posición de las 12 en punto. (D – F) Imágenes en pacientes que no desarrollaron cáncer pero que tenían predicciones de riesgo identificablemente confusas. (D) En una mujer blanca de 60 años con aumento mamario bilateral y mamografías de detección periódicas, AsymMirai predijo un riesgo moderado de desarrollar cáncer, confundido por la asimetría artificial causada por la exclusión del implante desde la vista craneocaudal derecha. (E) En una mujer blanca de 73 años con mamografías de detección regulares y calcificaciones distróficas conocidas en el seno izquierdo, AsymMirai predijo un alto riesgo de desarrollar cáncer, confundido por una mala posición en la vista oblicua mediolateral izquierda y una posible distorsión en la vista mediolateral derecha. vista oblicua. (F) En una mujer afroamericana de 65 años con microcalcificaciones benignas bilaterales, AsymMirai predijo un riesgo moderado de desarrollar cáncer, confundido por las calcificaciones. Entre los pacientes sin cáncer, Mirai identificó correctamente al paciente en D como de bajo riesgo de desarrollar cáncer (riesgo percentil 20), pero también clasificó erróneamente a los pacientes en E y F.(percentiles 84 y 95, respectivamente). Estos ejemplos fueron elegidos sin conocimiento de las puntuaciones de riesgo de Mirai. A diferencia de cuando se revisa el tejido en la ventana de predicción de AsymMirai, no hay forma de identificar ex ante los casos en los que Mirai se confundió porque solo produce una puntuación. CC = craneocaudal, IDC = carcinoma ductal invasivo, MLO = oblicuo mediolateral.

Para el estudio, Donnelly y sus colegas del Departamento de Ciencias de la Computación y del Departamento de Radiología compararon su modelo de aprendizaje profundo basado en mamografía recientemente desarrollado llamado AsymMirai con las predicciones de riesgo de cáncer de mama de 1 a 5 años de Mirai. AsymMirai se construyó sobre la parte de aprendizaje profundo «frontal» de Mirai, al tiempo que reemplazó el resto de ese complicado método con un módulo interpretable: disimilitud bilateral local, que analiza las diferencias de tejido entre los senos izquierdo y derecho.

«Anteriormente, las diferencias entre el tejido mamario izquierdo y derecho se usaban sólo para ayudar a detectar el cáncer, no para predecirlo de antemano», dijo Donnelly. «Descubrimos que Mirai utiliza comparaciones entre los lados izquierdo y derecho, y así es como pudimos diseñar una red sustancialmente más simple que también realiza comparaciones entre los lados».

Figura 4. Poder de predicción de la consistencia de la ubicación de AsymMirai. (A) Mamografías de detección de campo completo obtenidas en tres momentos en una mujer blanca. AsymMirai predijo un riesgo moderado de desarrollar cáncer, con una alta consistencia en la ubicación en tres exámenes de detección. Al paciente se le diagnosticó carcinoma ductal in situ en 2020. La consistencia de la ubicación se define en el Apéndice S5. La coherencia se expresa como el porcentaje del cambio de ventana, donde un cambio del 100% no representa superposición de un año al siguiente. Los cuadros rojos son las ventanas de predicción de AsymMirai para cada examen. (B) Gráfico del área de riesgo de 3 años de AsymMirai bajo la curva de características operativas del receptor (ROC) (AUC) para subgrupos de pacientes con una inconsistencia de ubicación cada vez mayor. El eje x es el número de pacientes incluidos en el subgrupo. El rendimiento del modelo es mayor para los pacientes con la mayor coherencia de ubicación (parte izquierda del gráfico), según lo medido por el cambio desde la ubicación de la ventana de predicción del examen anterior. Las áreas sombreadas representan los IC del 95 % en cada umbral. (C) Gráfico del AUC de riesgo de AsymMirai a 3 años para subgrupos de pacientes con una creciente inconsistencia en la ubicación. Igual que en B , excepto por el eje x, la coherencia de la ubicación se expresa como el porcentaje de desplazamiento de la ventana. La línea vertical de puntos indica un desplazamiento de ventana del 50%. (D) Curvas ROC de AsymMirai para umbrales de coherencia de ubicación seleccionados, medidos por el cambio desde la ubicación de la ventana de predicción anterior. El rendimiento del modelo mejoró para los pacientes con una alta consistencia de ubicación entre exámenes, como lo indican los cambios de ventana más bajos. La leyenda contiene el número de pacientes con un examen que satisface cada umbral seguido del número de pacientes con al menos un examen válido de 3 años de cada subgrupo. Un examen válido de 3 años puede incluir 3 años de seguimiento de detección negativo o un diagnóstico de cáncer dentro de los 3 años. CC = craneocaudal, FPR = tasa de falsos positivos, MAX = máximo, MLO = oblicuo mediolateral, TPR = tasa de verdaderos
Figura 4. Poder de predicción de la consistencia de la ubicación de AsymMirai. (A) Mamografías de detección de campo completo obtenidas en tres momentos en una mujer blanca. AsymMirai predijo un riesgo moderado de desarrollar cáncer, con una alta consistencia en la ubicación en tres exámenes de detección. Al paciente se le diagnosticó carcinoma ductal in situ en 2020. La consistencia de la ubicación se define en el Apéndice S5. La coherencia se expresa como el porcentaje del cambio de ventana, donde un cambio del 100% no representa superposición de un año al siguiente. Los cuadros rojos son las ventanas de predicción de AsymMirai para cada examen. (B) Gráfico del área de riesgo de 3 años de AsymMirai bajo la curva de características operativas del receptor (ROC) (AUC) para subgrupos de pacientes con una inconsistencia de ubicación cada vez mayor. El eje x es el número de pacientes incluidos en el subgrupo. El rendimiento del modelo es mayor para los pacientes con la mayor coherencia de ubicación (parte izquierda del gráfico), según lo medido por el cambio desde la ubicación de la ventana de predicción del examen anterior. Las áreas sombreadas representan los IC del 95 % en cada umbral. (C) Gráfico del AUC de riesgo de AsymMirai a 3 años para subgrupos de pacientes con una creciente inconsistencia en la ubicación. Igual que en B , excepto por el eje x, la coherencia de la ubicación se expresa como el porcentaje de desplazamiento de la ventana. La línea vertical de puntos indica un desplazamiento de ventana del 50%. (D) Curvas ROC de AsymMirai para umbrales de coherencia de ubicación seleccionados, medidos por el cambio desde la ubicación de la ventana de predicción anterior. El rendimiento del modelo mejoró para los pacientes con una alta consistencia de ubicación entre exámenes, como lo indican los cambios de ventana más bajos. La leyenda contiene el número de pacientes con un examen que satisface cada umbral seguido del número de pacientes con al menos un examen válido de 3 años de cada subgrupo. Un examen válido de 3 años puede incluir 3 años de seguimiento de detección negativo o un diagnóstico de cáncer dentro de los 3 años. CC = craneocaudal, FPR = tasa de falsos positivos, MAX = máximo, MLO = oblicuo mediolateral, TPR = tasa de verdaderos

Para el estudio, los investigadores compararon 210.067 mamografías de 81.824 pacientes en el conjunto de datos de imágenes EMory BrEast (EMBED) desde enero de 2013 hasta diciembre de 2020 utilizando los modelos Mirai y AsymMirai. Los investigadores descubrieron que su modelo simplificado de aprendizaje profundo funcionó casi tan bien como el Mirai de última generación para la predicción del riesgo de cáncer de mama de 1 a 5 años.

Los resultados también respaldaron la importancia clínica de la asimetría mamaria y, como resultado, resaltan el potencial de la disimilitud bilateral como un futuro marcador de imagen para el riesgo de cáncer de mama.

Figura 5. Comparación del rendimiento de Mirai y AsymMirai en mamografías de detección de validación del conjunto de datos de imágenes EMory BrEast (EMBED). (A) Curvas de características operativas del receptor (ROC) de predicción del riesgo de cáncer de mama de AsymMirai de 1 a 5 años y valores del área bajo la curva (AUC), con IC del 95% entre paréntesis. (B) Curvas ROC y valores de AUC de predicción del riesgo de cáncer de mama de Mirai a 1 a 5 años, con los IC del 95 % entre paréntesis. Los CI de AUC para AsymMirai y Mirai se superponen para cada año. (C) Los gráficos de densidad muestran la correlación de predicción para AsymMirai y Mirai con riesgo de 1, 3 y 5 años. Se omiten los riesgos de 2 y 4 años porque las predicciones son las mismas que las de los riesgos de 3 y 5 años, respectivamente.
Figura 5. Comparación del rendimiento de Mirai y AsymMirai en mamografías de detección de validación del conjunto de datos de imágenes EMory BrEast (EMBED). (A) Curvas de características operativas del receptor (ROC) de predicción del riesgo de cáncer de mama de AsymMirai de 1 a 5 años y valores del área bajo la curva (AUC), con IC del 95% entre paréntesis. (B) Curvas ROC y valores de AUC de predicción del riesgo de cáncer de mama de Mirai a 1 a 5 años, con los IC del 95 % entre paréntesis. Los CI de AUC para AsymMirai y Mirai se superponen para cada año. (C) Los gráficos de densidad muestran la correlación de predicción para AsymMirai y Mirai con riesgo de 1, 3 y 5 años. Se omiten los riesgos de 2 y 4 años porque las predicciones son las mismas que las de los riesgos de 3 y 5 años, respectivamente.

Dado que el razonamiento detrás de las predicciones de AsymMirai es fácil de entender, podría ser un valioso complemento para los radiólogos humanos en el diagnóstico de cáncer de mama y la predicción de riesgos, dijo Donnelly.

«Podemos, con una precisión sorprendentemente alta, predecir si una mujer desarrollará cáncer en los próximos 1 a 5 años basándose únicamente en diferencias localizadas entre el tejido mamario izquierdo y derecho», dijo. «Esto podría tener un impacto público porque, en un futuro no muy lejano, podría afectar la frecuencia con la que las mujeres reciben mamografías».

suscribete al newsletter

Artículos relacionados

Cómo tratar una imagen médica cada 3 segundos durante 8 horas

En el mundo de la medicina en constante evolución, los avances tecnológicos nos han llevado a un punto en el que la Inteligencia Artificial...

Como tratar uma imagem médica a cada 3 segundos durante 8 horas

Na constante evolução do mundo da medicina, os avanços tecnológicos noslevaram a um ponto em que a Inteligência Artificial (IA) está revolucionando ocampo da...

Agfa en HIMSS Orlando: Avances en Soluciones RIS PACS para Latinoamérica

Marcelo Espinoza, líder de Agfa para Latinoamérica, comparte las últimas innovaciones en tecnología médica durante el evento HIMSS en Orlando. Desde México hasta Chile, Agfa...

Lunit: Revolucionando la Radiología con IA

Desde el corazón del Congreso Europeo de Radiología en Viena, tuvimos el privilegio de entrevistar a Stefan Mercurio, responsable de Europa del Sur en...

Seguinos

2,319FansMe gusta
0SeguidoresSeguir
1,324SeguidoresSeguir

MÁS LEIDOS