Investigadores desarrollan una herramienta basada en deep learning que evalúa mamografías para anticipar la propagación del cáncer a los ganglios linfáticos antes de la cirugía.
Detectar si un cáncer de mama en etapa temprana se ha diseminado a los ganglios linfáticos es crucial para definir el tratamiento quirúrgico adecuado. Actualmente, esta evaluación requiere estudios invasivos o no siempre confiables antes de la operación. Un nuevo estudio publicado en npj Digital Medicine journal. Científicos desarrollaron un modelo de artificial intelligence (AI) basado en deep learning or aprendizaje profundo, que analiza mamografías rutinarias, con el objetivo de predecir si el cáncer se ha propagado a los ganglios linfáticos axilares (ALN, en inglés).
Además, se analizó el impacto de usar mamografías de pacientes tratadas en distintos hospitales (sitios), lo cual ayuda a hacer más precisas las predicciones. El objetivo general fue lograr una forma más exacta y no invasiva de saber si el cáncer ya alcanzó los ganglios, lo que permitiría tomar mejores decisiones sobre las cirugías necesarias.
Al inicio del estudio se incluyeron 1,577 mujeres con diagnóstico de cáncer de mama. Solo fueron consideradas aquellas pacientes que se sometieron a cirugía primaria y evaluación de ganglios axilares; se excluyeron las que recibieron tratamiento sistémico neo adyuvante. En total, se identificaron 1,265 pacientes, de estas, 1,039 fueron diagnosticadas entre 2009 y 2016 en los sitios 1 y 2, y se utilizaron para el desarrollo del modelo, entrenamiento y validación. Por otro lado, 123 pacientes diagnosticadas en 2017 en el sitio 2 se asignaron al conjunto de prueba independiente, mientras que 103 pacientes del mismo año pero del sitio 3 se destinaron al conjunto de prueba externo.
En este sentido, las pacientes que habían recibido tratamiento previo al procedimiento quirúrgico, como quimioterapia), fueron excluidas. El modelo se entrenó y validó con datos de más de mil pacientes, y luego fue evaluado con un grupo independiente.
El modelo no solo procesó imágenes mamográficas, sino que también incorporó variables clínicas clave como el tamaño del tumor, la presencia de invasión linfovascular (LVI, en inglés) y la multifocalidad, factores que suelen ser difíciles de confirmar antes de la cirugía. Esta combinación permitió una predicción más precisa del riesgo de metástasis en los ganglios linfáticos.
Los resultados mostraron que, en comparación con otros modelos que sólo utilizaban variables clínicas, este modelo con la incorporación de mamografías de mama completa con variables clínicas preoperatorias mejoró el área bajo la curva (AUC, en inglés) ROC de 0.690 a 0.774.
La selección del modelo se realizó mediante validación cruzada doble, dentro del conjunto de desarrollo. La evaluación completa del modelo de deep learning y su interpretación posterior se llevaron a cabo en el conjunto de prueba independiente. Sin embargo, el conjunto externo se consideró poco representativo según los análisis estadísticos.
Este avance representa una oportunidad para hacer la atención del cáncer de mama más precisa y personalizada, además de recudir los riesgos quirúrgicos y mejorar la calidad del tratamiento. Aunque serán necesarias más validaciones clínicas, el uso de mamografías ya existentes como herramienta de predicción avanzada podría integrarse a la práctica médica de forma relativamente rápida y accesible.
