El sistema, entrenado con más de 313 mil estudios de tomosíntesis digital, superó el desempeño de los modelos de predicción existentes basados en mamografía convencional y factores clínicos.
Un equipo de investigadores del NYU Grossman School of Medicine y el Perlmutter Cancer Center desarrolló un modelo de aprendizaje profundo o deep learning capaz de predecir el riesgo de desarrollar cáncer de mama en un horizonte de dos a cinco años a partir de mamografías tridimensionales consecutivas. El estudio, publicado en American Journal of Roentgenology, utilizó un conjunto de 313,335 estudios de tomosíntesis digital de mama (DBT, en inglés) correspondientes a 161,077 mujeres con una edad promedio de 58.5 años, obtenidos entre enero de 2016 y agosto de 2020 en una sola institución de salud.
La tomosíntesis digital de mama es actualmente la modalidad de tamizaje predominante en Estados Unidos, pero su potencial para la predicción de riesgo a largo plazo había sido poco explorado. La mayoría de los modelos existentes se basan en mamografía digital convencional de campo completo. El modelo desarrollado en este estudio, denominado DRP (DBT-based Risk Prediction), incorpora no solo el estudio más reciente de cada paciente sino el historial longitudinal de exámenes previos, la edad de la paciente y la densidad mamaria, con el objetivo de capturar los cambios en el tejido mamario a lo largo del tiempo.
“Nuestro estudio muestra cómo modelos de IA como NYU-DRP pueden utilizarse para determinar de manera confiable el riesgo futuro de cáncer de mama de una mujer a partir de mamografías 3D existentes, que contienen información sobre cómo el tejido mamario ha cambiado a lo largo de múltiples tamizajes”, señaló Yanqi Xu, investigadora posdoctoral en el Departamento de Radiología del NYU Grossman School of Medicine y primera autora del estudio.
En el conjunto de prueba independiente, compuesto por 34,570 exámenes, el modelo longitudinal alcanzó un área bajo la curva (AUC) de 0.721 para la predicción a cinco años, superando tanto al modelo de un solo punto en el tiempo basado en DBT (AUC de 0.707) como al modelo Mirai, que utiliza mamografía convencional del mismo día (AUC de 0.687). En una cohorte de casos y controles emparejados, el modelo DRP alcanzó un AUC de 0.676, frente a 0.563 del modelo clínico Tyrer-Cuzick. El análisis también mostró que entre las mujeres con mamas extremadamente densas, el modelo clasificó a 39.7% como de riesgo promedio, con una incidencia observada de cáncer a cinco años de 0.8%, mientras que entre mujeres con mamas adiposas clasificadas como de alto riesgo se observó una incidencia de 2.6%.
“Las mamografías 3D repetidas contienen información sobre el riesgo futuro de cáncer de mama de una mujer que no es capturada completamente ni por la densidad mamaria ni por una sola mamografía por sí sola”, Yiqiu Shen, profesor asistente del mismo departamento y autor principal.
Los autores señalan que el modelo tiene el potencial de informar una evaluación dinámica del riesgo a partir de imágenes de tamizaje de rutina y de apoyar estrategias de detección personalizadas en el futuro. El estudio fue diseñado como análisis retrospectivo en una sola institución, por lo que la validación en poblaciones más amplias y diversas constituye el siguiente paso antes de una eventual aplicación clínica generalizada.
“Si experimentos futuros en otras mujeres con cáncer de mama resultan exitosos, las mamografías 3D asistidas por inteligencia artificial como NYU-DRP podrían ayudar a los médicos a adaptar mejor el tamizaje al riesgo real de cada mujer, identificando a quienes podrían beneficiarse de estudios adicionales y evitando pruebas suplementarias innecesarias en quienes tienen menor riesgo”, Laura Heacock, profesora asociada de Radiología y coinvestigadora del estudio.
