Un innovador modelo de IA desarrollado por AI for Good Lab de Microsoft está mejorando la detección del cáncer de mama en exploraciones de resonancia magnética, superando los métodos tradicionales y transformando potencialmente los procedimientos de diagnóstico.
Se ha desarrollado un nuevo modelo de IA para revolucionar la detección del cáncer de mama en resonancias magnéticas, mejorando significativamente la precisión en la identificación de la ubicación de los tumores en comparación con los modelos de referencia existentes. Esta innovadora herramienta, entrenada con un amplio conjunto de datos de casi 10,000 XNUMX resonancias magnéticas de mama, se reveló en un estudio. publicado Hoy en la revista Radiology.
“La resonancia magnética asistida por IA podría potencialmente detectar cánceres que los humanos no detectarían de otro modo”, dijo el investigador principal Felipe Oviedo, analista de investigación sénior del AI for Good Lab de Microsoft, en un comunicado de prensa.
Desafíos actuales en la detección del cáncer de mama
Si bien la mamografía de cribado sigue siendo el estándar de atención para la detección del cáncer de mama, su eficacia disminuye en pacientes con tejido mamario denso. Las mamas densas no solo aumentan el riesgo de cáncer, sino que también dificultan la detección de tumores mediante mamografía.
Para abordar este problema, los médicos a menudo recomiendan la resonancia magnética mamaria como herramienta de detección complementaria, especialmente para mujeres con mamas densas o aquellas con alto riesgo de cáncer.
“La resonancia magnética es más sensible que la mamografía”, añadió Oviedo. “Pero también es más cara y tiene una mayor tasa de falsos positivos”.
Mejorando la precisión con IA
A la luz de estos desafíos, el equipo de Oviedo colaboró con investigadores clínicos del Departamento de Radiología de la Universidad de Washington para desarrollar un modelo de IA capaz de detectar anomalías.
Este modelo destaca por distinguir entre datos normales y anormales, lo que ayuda a identificar posibles neoplasias malignas para su posterior investigación. Los modelos tradicionales han presentado dificultades en este aspecto, a menudo basados en distribuciones de datos poco realistas que no funcionan adecuadamente en poblaciones con baja prevalencia de cáncer.
“Los modelos desarrollados previamente se entrenaron con datos de los cuales el 50% correspondía a casos de cáncer y el 50% a casos normales, lo cual representa una distribución muy poco realista”, añadió Oviedo. “Esos modelos no se han evaluado rigurosamente en poblaciones de baja prevalencia de cáncer o de cribado (donde el 2% de todos los casos son cáncer o menos), y además carecen de interpretabilidad, ambos aspectos esenciales para su adopción clínica”.
Desarrollo y prueba de modelos de IA
El innovador modelo se entrenó con datos de casi 10,000 17 resonancias magnéticas de mama con contraste, realizadas durante 80 años. Aproximadamente el 42.9 % de las pacientes eran de raza blanca; el 11.6 % presentaba mamas heterogéneamente densas y el XNUMX %, mamas extremadamente densas.
A diferencia de los modelos de clasificación binaria, esta herramienta de detección de anomalías aprende de una representación sólida de casos benignos, lo que mejora su capacidad para señalar neoplasias malignas anormales incluso cuando están subrepresentadas durante el entrenamiento.
“Nuestro modelo proporciona una explicación comprensible, a nivel de píxel, de las anomalías en una mama”, añadió Oviedo. “Estos mapas de calor de anomalías podrían destacar áreas potencialmente preocupantes, lo que permitiría a los radiólogos centrarse en los exámenes con mayor probabilidad de ser cancerosos”.
El modelo de IA se sometió a rigurosas pruebas con conjuntos de datos internos y externos, incluyendo resonancias magnéticas de mama previas al tratamiento de múltiples centros. El modelo de detección de anomalías identificó con precisión la ubicación de los tumores y superó los modelos de referencia existentes en diferentes grupos de validación y tareas de detección.
Implicaciones para la práctica clínica
Si se integra en los flujos de trabajo de radiología, esta herramienta de IA podría mejorar significativamente la eficiencia de las pruebas de detección por resonancia magnética mamaria, excluyendo las exploraciones normales para el triaje y centrándose en las potencialmente anormales. Esto podría agilizar el proceso de diagnóstico, permitiendo a los radiólogos priorizar los casos de cáncer con mayor probabilidad.
Un camino a seguir
Antes de su adopción clínica, el modelo requiere una evaluación en conjuntos de datos más grandes y estudios prospectivos para determinar completamente su potencial para mejorar el flujo de trabajo de los radiólogos y potencialmente salvar vidas a través de una detección temprana más precisa del cáncer de mama.