Algoritmo basado en IA mejora la precisión de los diagnósticos de cáncer de mama
Actualizado el 09 Sep 2024
Se sabe que la alta densidad del tejido mamario aumenta el riesgo de cáncer de mama, y su medición puede derivarse de mamografías. La interpretación precisa de las mamografías es vital para un cribado exitoso del cáncer de mama, pero se ve obstaculizada por inconsistencias en las evaluaciones radiológicas y una escasez mundial de radiólogos. Para superar estos desafíos, un nuevo algoritmo basado en inteligencia artificial (IA) utiliza el aprendizaje profundo para analizar múltiples vistas de mamografías simultáneamente, simulando el proceso de evaluación de los radiólogos.
El algoritmo MV-DEFEAT, desarrollado por investigadores de la Universidad de Finlandia Oriental (Kuopio, Finlandia), mejora la evaluación de la densidad de las mamografías, lo que podría revolucionar los procedimientos radiológicos al facilitar diagnósticos más precisos. El equipo de investigación aplicó un enfoque de fusión de evidencias profundas de múltiples vistas, que incorpora aspectos de la teoría de evidencias de Dempster-Shafer y la lógica subjetiva para proporcionar un análisis exhaustivo de las imágenes de mamografías desde varios ángulos. MV-DEFEAT supera significativamente a los métodos existentes, aumentando la precisión de los cribados mamográficos al determinar de manera efectiva y consistente la densidad y distribución del tejido mamario denso. Específicamente, en el conjunto de datos público VinDr-Mammo, que contiene más de 10.000 mamografías, el algoritmo logró una mejora del 50,78 % en la diferenciación entre tumores benignos y malignos en comparación con los enfoques de múltiples vistas anteriores. Además, MV-DEFEAT genera mapas de prominencia basados en gradientes que destacan áreas críticas, ayudando a los radiólogos en sus decisiones diagnósticas.
La eficacia del algoritmo en varios conjuntos de datos destaca su capacidad para adaptarse a diversos grupos demográficos de pacientes. Fue probado utilizando datos de cuatro conjuntos de datos de código abierto, lo que amplió su precisión y generalización. Estas características subrayan el potencial de los métodos impulsados por IA en los diagnósticos médicos. Aunque MV-DEFEAT respalda significativamente el cribado del cáncer de mama, los investigadores enfatizan la necesidad de mejoras continuas y validación para confirmar su fiabilidad y efectividad en entornos clínicos. Este progreso representa un paso fundamental hacia la integración de la IA en los procedimientos de diagnóstico, lo que puede conducir a una detección más temprana y a mejores resultados para las pacientes con cáncer de mama.
“Para integrar plenamente la IA como MV-DEFEAT en la práctica clínica, es fundamental generar confianza entre los profesionales sanitarios mediante pruebas y validaciones rigurosas”, dijo el investigador de doctorado Raju Gudhe de la Universidad de Finlandia Oriental. “De hecho, nuestros próximos pasos implican más estudios de validación para establecer MV-DEFEAT como una herramienta fiable para el diagnóstico del cáncer de mama en Finlandia”.
Enlaces relacionados:
Universidad de Finlandia Oriental
