El tejido mamario puede variar de casi completamente graso (izquierda) a denso (derecha). Dado que tanto el tejido mamario sano pero denso como el tejido canceroso parecen ligeros en las mamografías, las mujeres con mamas densas pueden necesitar exámenes de detección adicionales o alternativos para detectar el cáncer de mama. Investigadores de la Facultad de Medicina de la Universidad de Washington en St. Louis y Whiterabbit.ai han desarrollado un software que evalúa la densidad mamaria y puede ayudar a identificar a las mujeres que podrían beneficiarse de exámenes de detección adicionales.
El tejido mamario denso no solo aumenta la posibilidad de que una mujer desarrolle cáncer de mama, sino que el tejido crea sombras blancas en las mamografías, oscureciendo las imágenes y dificultando que los médicos identifiquen crecimientos potencialmente cancerosos.
Investigadores de la Facultad de Medicina de la Universidad de Washington en St. Louis y Whiterabbit.ai, un socio de inicio de tecnología de Silicon Valley, han desarrollado un software que analiza la densidad de las mamografías para ayudar a los médicos a determinar si una mujer tiene tejido mamario denso y podría beneficiarse de más o detección alternativa.
El software, publicado recientemente en la revista Radiology: Artificial Intelligence, recibió la autorización de mercado de la Administración de Alimentos y Medicamentos el 30 de octubre y ahora está disponible comercialmente.
Sabemos que el tejido mamario denso es un factor de riesgo para el cáncer de mama y un desafío para la detección», dijo el autor principal Richard L. Wahl, MD, profesor de Elizabeth E. Mallinckrodt y jefe del Departamento de Radiología. “El problema es que los radiólogos no siempre están de acuerdo en lo que se considera un seno denso. Este algoritmo parece funcionar bastante bien en comparación con los radiólogos expertos. Al proporcionar una evaluación cuantitativa de la densidad de los senos, podría reducir la variabilidad y ayudar a garantizar que las mujeres con senos densos sean identificadas para que puedan obtener un examen de detección adecuado «.
En una mamografía, el tejido graso aparece oscuro, mientras que el tejido glandular más denso y el tejido canceroso aparecen claros. Los radiólogos clasifican el tejido mamario por densidad según la cantidad y apariencia de las áreas claras. Sin una forma objetiva de cuantificar el tono y la distribución de las áreas sombreadas, los radiólogos juzgan la densidad a ojo, una técnica subjetiva que inevitablemente conduce a desacuerdos sobre cómo clasificar el tejido.
Para entrenar un algoritmo para evaluar la densidad mamaria, los investigadores comenzaron con un conjunto de 750,752 mamografías de 57,492 pacientes obtenidas durante 187,627 sesiones. Las mamografías se realizaron entre 2008 y 2017 en el Joanne Knight Breast Health Center en St. Louis, que está afiliado al Siteman Cancer Center en Barnes-Jewish Hospital y la Facultad de Medicina. Las mamografías habían sido clasificadas en una escala de densidad de cuatro puntos, con los dos grupos inferiores considerados no densos y los dos superiores densos, por radiólogos experimentados del Instituto de Radiología Mallinckrodt de la universidad. El Laboratorio de Ciencias de la Imagen Computacional de la universidad ayudó a organizar el enorme conjunto de datos y a construir la infraestructura computacional para analizarlo. Los investigadores de Whiterabbit.ai ayudaron a entrenar el modelo y realizar el estudio.
Los investigadores utilizaron la mayoría de las 750.000 imágenes para entrenar y optimizar un algoritmo para reconocer lo que los radiólogos consideraban tejido mamario denso. Conservaron aproximadamente el 10% de las imágenes para su uso en la evaluación del algoritmo después de haber sido entrenado. Las pruebas mostraron que el software arrojó resultados que coincidían sustancialmente con la evaluación de los radiólogos intérpretes originales. Al hacer una determinación binaria, ¿densa o no? – el algoritmo tenía una precisión del 91%. Con una precisión del 82%, también se desempeñó bien al colocar el tejido mamario en el grupo correcto de cuatro densidades, y rara vez arrojó un resultado que estuviera desviado en más de una categoría de densidad. Estos resultados son más sólidos que los resultados informados en la literatura científica para software similar, dijeron los investigadores.
El algoritmo se entrenó inicialmente en imágenes de mamografía digital de campo completo, una especie de mamografía bidimensional. La mamografía 2D está siendo reemplazada por la tomosíntesis digital, que implica tomar radiografías desde muchos ángulos para crear una imagen 3D de alta resolución de la mama que permite una mejor detección del cáncer. La imagen 3D se puede convertir en las llamadas imágenes 2D sintéticas. El proceso de conversión puede compararse con hacer brillar una luz a través de una escultura de vidrio. La sombra de la escultura y todo lo que hay en su interior se puede ver en la pared detrás de ella. Actualmente, más del 70% de las instalaciones cuentan con un escáner de tomosíntesis digital.
Idealmente, un software de densidad mamaria debería poder analizar tanto las mamografías 2D tradicionales como las imágenes de tomosíntesis 2D sintéticas. Para evaluar el rendimiento de su software, los investigadores probaron el algoritmo utilizando un conjunto de 1.080 imágenes sintéticas 2D de 270 pacientes judíos de Barnes. El algoritmo funcionó casi tan bien en imágenes 2D sintéticas, y arrojó resultados que coincidieron con las evaluaciones de los radiólogos el 88% de las veces. Para mejorar la precisión, los investigadores le dieron al algoritmo un entrenamiento adicional usando un conjunto de 500 imágenes sintéticas 2D que habían sido calificadas por radiólogos. Con el entrenamiento adicional, la precisión aumentó al 91%, pero la diferencia no fue estadísticamente significativa, lo que indica que el algoritmo ya era adecuado para analizar imágenes sintéticas en 2D.
Una vez que establecieron que el algoritmo funcionó bien para juzgar la densidad mamaria en la población de pacientes del Centro de Salud de Senos Joanne Knight, los investigadores se dispusieron a evaluar si también funcionaría en diferentes poblaciones.
«El problema con la IA es que si entrena en una población específica, puede terminar con un algoritmo que funciona muy bien, pero solo para esa población», dijo Wahl, quien también es miembro de investigación del Siteman Cancer Center. “Funciona en St. Louis, pero ¿funcionará en Kansas City? ¿Funcionará en Nueva York? »
Con un 59% de blancos, un 23% de afroamericanos, un 3% de asiáticos y un 1% de hispanos, la población en el conjunto de entrenamiento era diversa, pero la cantidad limitada de imágenes de asiáticos e hispanos significaba que existía el riesgo de que el algoritmo no lo hiciera sea tan preciso en la identificación de senos densos en pacientes de esos orígenes. Para garantizar que el algoritmo funcionara de manera equitativa, los investigadores colaboraron con colegas en una clínica de radiología para pacientes ambulatorios en el norte de California, donde la población de pacientes era 58% blanca, 21% asiática, 7% hispana y 1% afroamericana.
Ejecutaron el algoritmo en un conjunto de 6.192 imágenes sintéticas 2D de 744 pacientes de la clínica de California. El software evaluó con precisión la densidad mamaria con un 92% de precisión. Después de un entrenamiento adicional con 500 imágenes, el algoritmo mantuvo una precisión del 92% al clasificar los senos como densos o no, y mejoró su capacidad para clasificar correctamente el tejido mamario en cuatro grupos de densidad.
«Trabajando con nuestros brillantes colaboradores en la Universidad de Washington, hemos demostrado que nuestro algoritmo es de vanguardia para la evaluación de la densidad mamaria», dijo Jason Su, cofundador y director de tecnología de Whiterabbit.ai. “Con un 82% de precisión, nuestro software de IA supera a los mejores modelos anteriores de grupos académicos y, además, es mejor que el acuerdo entre radiólogos en un 67,4%. Con la autorización de la FDA y la disponibilidad comercial en todo el país, está lista para marcar una diferencia en ayudar a los radiólogos a evaluar la densidad mamaria. Al combinar la evaluación de la densidad con los modelos de riesgo de cáncer de mama, nuestra colaboración continua con la universidad pronto ayudará a los médicos a tener en cuenta mejor la imagenología, los antecedentes personales y familiares de la paciente, dando a cada mujer la recomendación personalizada que se merece «.
La importancia de la salud en los niños 