Aplicaciones de la Inteligencia Artificial en Imágenes de Mama
Artículo original: Matthew B. Morgan, Jonathan L. Mates. Applications of Artificial Intelligence in Breast Imaging. Radiol Clin North Am 2021 Jan;59(1):139-148.
DOI: https://doi.org/10.1016/j.rcl.2020.08.007
Sociedad: Radiologic Clinics of North America. @radiologic.theclinics.com
Palabras clave: breast imaging, artificial intelligence, machine learning, mammography.
Abreviaturas y acrónimos utilizados: inteligencia artificial (IA), unidades de procesamiento gráfico (GPUs), aprendizaje automático (ML), detección asistida por computadora (CAD).
Línea editorial del número: Radiologic Clinics of North America proporciona información clínica que se puede aplicar directamente a la práctica. La revista es bimensual y examina un tema de actualidad en radiología bajo la guía de un editor especializado en el campo. Podemos encontrar artículos de revisión, junto con radiografías, imágenes de resonancia magnética, tomografías computarizadas y ecografías de alta calidad de todos los temas.
Este número está dedicado a la Mama, con artículos muy interesantes como el Impacto de la pandemia del COVID-19 en el área de mama, ¿Es la era del cribado de mama personalizado? y/o Riesgos y sobrediagnóstico en el programa de cribado de cáncer de mama, entre otros.
Motivos para la selección: Profundizar un poco en el estudio de la inteligencia artificial, con el valor añadido que se trata del área de radiología mamaria. Me gustaría aprender cómo funciona el Machine Learning y sus aplicaciones.
Resumen: La IA es un campo interdisciplinario en el que se crean unos algoritmos que aprenden a proporcionar resultados de una manera más rápida y más precisa que la mente humana.
El ML es el resultado de avances como la disponibilidad de grandes conjuntos de datos (big data) combinados con un hardware mejorado (GPUs). ML utiliza modelos estadísticos para permitir sistemas informáticos para aprender y mejorar sin programación evidente. Los sistemas de ML pueden utilizar funciones no percibidas por el humano, esto plantea la posibilidad de que pueda realizar algún día diagnósticos más confiables de lo que es posible solo con los humanos.
De todas las especialidades de la radiología, la mamaria es una de las más atractivas para la IA. La mamografía de cribado es una de las herramientas más eficaces para la detección precoz del cáncer de mama. Pero existe hasta un 13% de cánceres que no se diagnostican y aproximadamente un 10% de pacientes son recitadas para pruebas adicionales de las que sólo un 5% serán diagnosticadas de cáncer de mama; por consiguiente estos falsos positivos pueden conducir a sufrir ansiedad en las pacientes y a la realización de biopsias innecesarias.
En 1998 la FDA (Food and Drug Administration), aprobó la primera tecnología CAD para mamografía. Se refiere al uso de computadoras para ayudar al radiólogo a identificar un hallazgo en una imagen; aunque su uso no convenció demasiado ya que disminuyó la precisión y aumentó el número de falsos positivos. Este CAD utilizaba modelos matemáticos basados en reglas que determinaban la presencia de características de imagen anómalas. Los avances recientes en ML abren una nueva línea de técnicas para el CAD.
Según este artículo las aplicaciones de la IA en radiología mamaria incluyen tareas interpretativas y no interpretativas.
IA interpretativa:
- Cribado de detección.
Diferenciar entre resultado normal y anormal. Los radiólogos revisan las mamografías buscando masas, distorsiones, asimetrías y calcificaciones. Aplicando la IA podría reducir el número total de estudios que requieren revisión humana de un 15% a 20%, así como disminuir la ansiedad del paciente que espera el resultado de la prueba.
- IA basada en CAD.
Después de la clasificación anterior (mediante cribado de detección), la IA podría ayudar a detectar las zonas de interés incrementando la precisión en el diagnóstico y también podría usarse como segundo lector ayudando al radiólogo (esta área es donde se concentra la mayor parte de investigación actual sobre la IA).
Se están realizando investigaciones para que la IA pueda predecir el cáncer, los subtipos y genómica, predecir la respuesta al tratamiento y evaluar los ganglios linfáticos para detectar signos de propagación.
IA no interpretativa:
- Evaluación de riesgos.
Un análisis de riesgos a cada paciente puede ayudar a guiar el inicio de detección, frecuencia y modalidad óptima (ecografía, resonancia magnética, etc.) para el seguimiento en el programa poblacional de cribado. Varios modelos de riesgo de cáncer de mama han incorporado características específicas del paciente como edad, antecedentes familiares, factores hormonales y la densidad mamaria. Esta evaluación proporciona una personalización del cribado disminuyendo la controversia de las recomendaciones de cuándo comenzar y a qué frecuencia.
- Control de la imagen.
La aplicación de IA en el proceso de adquisición de imágenes tiene el potencial de mejorar la seguridad del paciente, la calidad de la imagen, la eficiencia del procedimiento y la actuación del técnico.
- Reducción de dosis.
Uno de los principales beneficios potenciales de la IA sería reducir la dosis sin comprometer la calidad de la imagen. Se están desarrollando nuevas técnicas para reducir al 50% la dosis manteniendo una alta calidad de imagen.
- Garantía de calidad.
Debido a que las características del cáncer en las imágenes pueden ser muy sutiles, es preciso disponer de alta calidad. La valoración de la imagen incluye la evaluación del posicionamiento, compresión, artefactos, exposición, contraste, nitidez, ruido y etiquetado. La IA aplicada a la garantía de calidad podría evitar recitaciones de pacientes.
- Correlación radiológico-patológica.
Una vez se obtiene el resultado de una biopsia, los radiólogos proceden a realizar la correlación radiológico-patológica. Esto es un proceso manual y está sujeto a una variabilidad significativa en las decisiones y en el manejo del seguimiento. La IA podría estandarizar la toma de decisiones mediante la incorporación de imágenes cuantitativas, informes de histopatología, así como los factores de riesgo del paciente.
Radiomics es un enfoque que extrae características de imágenes radiológicas utilizando algoritmos de caracterización de datos, y puede descubrir las particularidades de las enfermedades que los humanos son incapaces de percibir. La radiogenómica se refiere a la relación entre el patrón digital en la imagen de la enfermedad y su expresión genética. La combinación de la radiogenómica con herramientas de IA podría descubrir relaciones radiológico-patológico-genómicas y aumentar el potencial prognóstico.
- Optimización del flujo de trabajo.
La IA se utiliza también para priorizar estudios con hallazgos positivos urgentes en radiología de emergencia. También podría enfocarse en priorizar los estudios de mama marcados con probables anomalías para una evaluación inmediata.
Los seres humanos y las máquinas tienen diferentes puntos fuertes; el objetivo de la IA debería ser aprovechar las ventajas de ambos. Las máquinas pueden trabajar incansablemente y de manera repetitiva e incluso ver más allá que el ojo humano y a una gran velocidad. Destacan en el reconocimiento de patrones, incluso con grandes volúmenes de datos proporcionando una mejor predicción.
Por otro lado, los humanos pueden deducir a partir de datos mínimos y resolver una amplia variedad de problemas. Construyen relaciones de trabajo y se comunican con los médicos remitentes y con los pacientes.
La introducción de la IA ha sido proyectada como una contienda entre humanos y máquinas, pero el verdadero poder de la IA se desarrollará cuando se armonice la habilidad de los humanos con el poder de la tecnología.
Es importante remarcar que la progresión a niveles más altos de automatización requerirá dosis crecientes de confianza. La confianza es fruto de experiencias positivas repetidas a lo largo del tiempo. Confiar en herramientas para tomar decisiones será difícil por posibles sesgos heredados por los algoritmos pudiendo dar lugar a decisiones incorrectas. Después de adecuados ensayos clínicos, hay pruebas concluyentes de que la IA podría reducir la carga de trabajo, reduciendo así también costes.
El objetivo de cualquier tecnología nueva es proporcionar valor. La IA puede añadir valor tanto en tareas interpretativas como no interpretativas, y tiene un gran potencial para mejorar la seguridad del paciente y los resultados clínicos. El éxito requerirá que las herramientas de IA no solo sean validadas con estudios prospectivos sino que deben estar diseñadas para encajar en el flujo de trabajo y aprovechar las fortalezas de las máquinas y de los humanos.
Valoración personal: Me parece interesante todas las aplicaciones de la IA aparte de la lectura de imágenes, como el cribado de detección, evaluación de riesgos, control de la imagen, garantía de calidad, etc. Pero me ha faltado saber el funcionamiento de estas aplicaciones, ahondar un poco más en el manejo del Machine Learning.
Cecilia Aynes Suárez
Parc Taulí Hospital Universitari (Sabadell), TSIDMN