IA podría mejorar precisión diagnóstica de la DCE-MRI de mama

La detección temprana es clave para mejorar los resultados del cáncer de mama. La resonancia magnética dinámica mejorada con contraste (DCE-MRI) tiene una alta sensibilidad para detectar el cáncer de mama y, a veces, se usa para mujeres con mayor riesgo de cáncer de mama, pero a menudo conduce a biopsias y análisis de pacientes innecesarios. Ahora, un nuevo estudio ha demostrado que un sistema de aprendizaje profundo (DL) podría mejorar la precisión diagnóstica de la DCE-MRI del tejido mamario para detectar el cáncer de mama.

Para el estudio, los investigadores de la Escuela de Medicina Grossman de la Universidad de Nueva York (Nueva York, NY, EUA) usaron un sistema de DL para mejorar la precisión general del diagnóstico de cáncer de mama y personalizar el manejo de las pacientes sometidas a DCE-MRI. En el conjunto de pruebas internas (n = 3.936 exámenes), el sistema logró un área bajo la curva característica operativa del receptor (AUROC) de 0,92 (IC del 95 %: 0,92 a 0,93). En un estudio retrospectivo de lectores, no hubo diferencias estadísticamente significativas (P = 0,19) entre cinco radiólogos de mama certificados por la junta y el sistema de DL (media de ΔAUROC, +0,04 a favor del sistema de DL). El rendimiento de los radiólogos mejoró cuando sus predicciones se promediaron con las predicciones de DL [media ΔAUPRC (área bajo la curva de recuperación de precisión), +0.07].

Además, los investigadores demostraron la capacidad de generalización del sistema de DL usando múltiples conjuntos de datos de Polonia y los EUA. Un estudio de lectura adicional en un conjunto de datos polaco mostró que el sistema de DL era tan sólido para el cambio de distribución como los radiólogos. En el análisis de subgrupos, los investigadores observaron resultados uniformes en diferentes subtipos de cáncer y datos demográficos de los pacientes. Usando el análisis de la curva de decisión, los investigadores demostraron que el sistema de DL puede reducir las biopsias innecesarias en el rango de umbrales de riesgo clínicamente relevantes. Esto llevaría a evitar biopsias con resultados benignos hasta en un 20% de todos los pacientes con lesiones BI-RADS de categoría 4. Por último, los investigadores realizaron un análisis de errores, investigando situaciones en las que las predicciones de DL eran en su mayoría incorrectas. Este trabajo exploratorio crea una base para la implementación y el análisis prospectivo de modelos basados en DL para resonancia magnética de mama.

Enlaces relacionados:
Escuela de Medicina Grossman de la Universidad de Nueva York