Un sistema automatizado identifica el tejido mamario denso
Por el equipo editorial de MedImaging en español Actualizado el 06 Nov 2018 |
Imagen: un algoritmo de inteligencia artificial puede detectar el tejido mamario denso (Fotografía cortesía de MIT).
Un modelo automatizado de aprendizaje profundo (AP) puede evaluar el tejido mamario denso en las mamografías de manera tan confiable como los radiólogos expertos, afirma un nuevo estudio.
Desarrollado por investigadores del Instituto Tecnológico de Massachusetts (MIT, Cambridge, MA, EUA) y de la Facultad de Medicina de Harvard (HMS; Boston, MA, EUA), el modelo de AP se basa en una red neuronal convolucional profunda (CNN) entrenada para evaluar el sistema de datos e informes de las imágenes mamarias (BI-RADS), es decir, la densidad mamaria. Por ejemplo, grasa, dispersa, heterogénea y densa, basada en la interpretación experta de 41.479 mamografías de cribado digital obtenidas en 27.684 mujeres desde enero de 2009 hasta mayo de 2011. El algoritmo fue ensayado en un conjunto de pruebas de 8.677 mamografías en 5.741 mujeres.
Además, cinco radiólogos realizaron un estudio de lectura en 500 mamografías seleccionadas al azar del conjunto de prueba. Finalmente, el algoritmo se implementó en la práctica clínica habitual, donde ocho radiólogos revisaron 10.763 mamografías consecutivas evaluadas con el modelo. Se comparó la concordancia en la categoría BI-RADS para tres conjuntos de lecturas: radiólogos en el conjunto de pruebas, radiólogos que trabajan por consenso en el conjunto de estudio del lector y radiólogos en el conjunto de implementación clínica. Las lecturas se compararon en 5.000 muestras de implementación para evaluar la importancia.
Los resultados revelaron que el modelo de AP mostró una buena concordancia con los radiólogos en el conjunto de pruebas, y con los radiólogos en consenso en el conjunto de estudio del lector. Además, hubo muy buena concordancia con los radiólogos en el conjunto de implementación clínica; para la categorización binaria de senos densos o no densos, el radiólogo de interpretación aceptó 10.149 de 10.763 (94%) de las evaluaciones usando el AP. En las cuatro categorías de BI-RADS, el algoritmo de AP fue equivalente a las evaluaciones de los radiólogos en un 90%. El estudio fue publicado el 16 de octubre de 2018 en la revista Radiology.
"La densidad mamaria es un factor de riesgo independiente que impulsa la forma en que nos comunicamos con las mujeres sobre su riesgo de cáncer. Nuestra motivación fue crear una herramienta exacta y consistente que se pueda compartir y utilizar en todos los sistemas de atención de salud", dijo el autor del estudio, el estudiante de doctorado Adam Yala del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT. "Cuando los radiólogos saquen un examen en sus estaciones de trabajo, verán la calificación asignada del modelo, que luego aceptan o rechazan. Se tarda menos de un segundo por imagen ... [y puede] escalarse de forma fácil y económica en todos los hospitales".
Se calcula que más del 40% de las mujeres tienen tejido mamario denso, que por sí solo aumenta el riesgo de cáncer de mama. Además, el tejido denso puede enmascarar los cánceres en la mamografía, lo que dificulta la detección.
Enlace relacionado:
Instituto Tecnológico de Massachusetts
Facultad de Medicina de Harvard
Desarrollado por investigadores del Instituto Tecnológico de Massachusetts (MIT, Cambridge, MA, EUA) y de la Facultad de Medicina de Harvard (HMS; Boston, MA, EUA), el modelo de AP se basa en una red neuronal convolucional profunda (CNN) entrenada para evaluar el sistema de datos e informes de las imágenes mamarias (BI-RADS), es decir, la densidad mamaria. Por ejemplo, grasa, dispersa, heterogénea y densa, basada en la interpretación experta de 41.479 mamografías de cribado digital obtenidas en 27.684 mujeres desde enero de 2009 hasta mayo de 2011. El algoritmo fue ensayado en un conjunto de pruebas de 8.677 mamografías en 5.741 mujeres.
Además, cinco radiólogos realizaron un estudio de lectura en 500 mamografías seleccionadas al azar del conjunto de prueba. Finalmente, el algoritmo se implementó en la práctica clínica habitual, donde ocho radiólogos revisaron 10.763 mamografías consecutivas evaluadas con el modelo. Se comparó la concordancia en la categoría BI-RADS para tres conjuntos de lecturas: radiólogos en el conjunto de pruebas, radiólogos que trabajan por consenso en el conjunto de estudio del lector y radiólogos en el conjunto de implementación clínica. Las lecturas se compararon en 5.000 muestras de implementación para evaluar la importancia.
Los resultados revelaron que el modelo de AP mostró una buena concordancia con los radiólogos en el conjunto de pruebas, y con los radiólogos en consenso en el conjunto de estudio del lector. Además, hubo muy buena concordancia con los radiólogos en el conjunto de implementación clínica; para la categorización binaria de senos densos o no densos, el radiólogo de interpretación aceptó 10.149 de 10.763 (94%) de las evaluaciones usando el AP. En las cuatro categorías de BI-RADS, el algoritmo de AP fue equivalente a las evaluaciones de los radiólogos en un 90%. El estudio fue publicado el 16 de octubre de 2018 en la revista Radiology.
"La densidad mamaria es un factor de riesgo independiente que impulsa la forma en que nos comunicamos con las mujeres sobre su riesgo de cáncer. Nuestra motivación fue crear una herramienta exacta y consistente que se pueda compartir y utilizar en todos los sistemas de atención de salud", dijo el autor del estudio, el estudiante de doctorado Adam Yala del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT. "Cuando los radiólogos saquen un examen en sus estaciones de trabajo, verán la calificación asignada del modelo, que luego aceptan o rechazan. Se tarda menos de un segundo por imagen ... [y puede] escalarse de forma fácil y económica en todos los hospitales".
Se calcula que más del 40% de las mujeres tienen tejido mamario denso, que por sí solo aumenta el riesgo de cáncer de mama. Además, el tejido denso puede enmascarar los cánceres en la mamografía, lo que dificulta la detección.
Enlace relacionado:
Instituto Tecnológico de Massachusetts
Facultad de Medicina de Harvard
Últimas Imaginología General noticias
- Aplicación RA convierte escaneos médicos en hologramas para ayudar en planificación quirúrgica
- Tecnología de imágenes proporciona nuevo enfoque innovador para diagnosticar y tratar cáncer de intestino
- Puntuación de calcio coronario por TC predice ataques cardíacos y accidentes cerebrovasculares
- Modelo de IA detecta 90 % de casos de cáncer linfático a partir de imágenes de PET y TC
- El algoritmo de aprendizaje profundo basado en TC diferencia con precisión las fracturas vertebrales benignas de las malignas
- Tecnología innovadora revoluciona imágenes mamarias
- Sistema de última generación mejora la precisión de procedimientos intervencionistas y diagnóstico guiados por imágenes
- Dispositivo basado en catéter con nuevo enfoque de imágenes cardiovasculares ofrece visión sin precedentes de placas peligrosas
- Modelo de IA dibuja mapas para identificar con precisión tumores y enfermedades en imágenes médicas
- Sistema de TC habilitado por IA proporciona resultados de imágenes más precisos y confiables
- Exámenes de TC tórax de rutina pueden identificar pacientes con riesgo de enfermedad cardiovascular
- Software de planificación quirúrgica preoperatoria de RA hace que la cirugía sea más segura y eficiente
- Biopsia virtual impulsada por IA ayuda a evaluar cáncer de pulmón a partir de exploraciones médicas
- Nuevos materiales imprimibles en 3D para cirugía reconstructiva se pueden monitorear mediante rayos X o TC
- TC con conteo de fotones mejora evaluación de enfermedad arterial coronaria
- Nuevo radiotrazador ilumina exploración PET para detección más temprana de enfermedades