Con motivo de la celebración del Día Mundial de la Investigación contra el Cáncer, el pasado 24 de septiembre, así como la proximidad del Día Mundial contra el Cáncer de mama, el 19 de octubre, desde Actualpacs queremos enfocar este artículo hacia la ayuda que supone la inteligencia artificial en la mejora de los diagnósticos de cáncer de mama.

Los falsos positivos en diagnóstico de cáncer de mama a través de la ecografía siguen suponiendo un reto a mejorar, con el fin de evitar pruebas adicionales como biopsias, además del estrés que supone al paciente.

Un nuevo estudio llevado a cabo en China, ha desarrollado un modelo de inteligencia artificial (IA) que puede ayudar a los radiólogos a ser más precisos en el análisis de imágenes de ultrasonido a la hora de detectar casos de cáncer de mama. La finalidad primordial de dicho estudio es la de mejorar los diagnósticos de médicos radiólogos que están iniciando su carrera y que disponen de menos habilidades y experiencia en la lectura de imágenes.

Para estudiar la viabilidad de dicho modelo, un grupo de investigadores de la Universidad Médica de Nanjing utilizó datos de más de 45.000 imágenes de ultrasonido que habían sido tomadas con 42 tipos de máquinas diferentes en cuatro hospitales. Con ellas, se utilizó un modelo de aprendizaje profundo (DL) desarrollado para ecografía mamaria con el fin de comprobar su habilidad a la hora de detectar el cáncer de mama. Este modelo se desarrolló como una red neuronal convolucional basada en la atención dual que puede diferenciar los tumores malignos de los benignos, utilizando imágenes de ultrasonido Doppler color y modo B.

Para verificar su precisión y la ayuda que podría aportar a los radiólogos, se seleccionaron tres radiólogos lectores con menos de 5 años de experiencia en ecografía y dos lectores experimentados con 8 y 18 años de experiencia en ecografía. Todos ellos interpretaron cada uno 1.024 lesiones elegidas al azar, utilizando el modelo de DL y sin utilizarlo.
Para comparar la capacidad discriminativa de los diagnósticos realizados, se utilizó el método DeLong, que analiza la curva ROC (receiver operating characteristic) o curva de eficacia diagnóstica.

Al comparar las diferencias en el área bajo la curva o AUC, se comprobó que el modelo DL desempeñaba un resultado similar al de los lectores humanos experimentados. Además, se pudo observar que los radiólogos de menor experiencia asistidos por el modelo DL mejoraban la precisión diagnóstica, acercándose a los resultados de los profesionales con mayor experiencia.

Por su parte, los radiólogos experimentados mejoraron su precisión del diagnóstico cuando utilizaron el modelo DL, lo que se reflejó en la disminución del 7,6% de la tasa promedio de falsos positivos.

Este estudio supone un gran avance en el diagnóstico de tumores de mama a través de imágenes de ultrasonido. Gracias a esto, en el futuro inmediato los profesionales podrían mejorar sus diagnósticos y reducir significativamente los falsos positivos.
La integración de la IA en los métodos de trabajo habituales puede suponer un gran avance y una ayuda relevante para los especialistas en radiología, especialmente para aquellos que están en el inicio de su profesión y requieren de un ojo más experimentado que pueda ayudarles a mejorar su precisión diagnóstica.