Nuevo estudio muestra que la IA puede detectar los cáncer de mama de intervalo durante pruebas de detección de rutina.
El cáncer de mama de intervalo se diagnostica entre mamografías de cribado programadas, interpretándose la mamografía anterior como negativa para malignidad. Los intervalos de cribado varían de uno a tres años, dependiendo de las directrices del programa. Este tipo de cáncer se asocia a un peor pronóstico que los cánceres detectados mediante cribado.
La reducción de las tasas de cáncer de mama de intervalo es un buen sustituto para evaluar la eficacia de los programas de cribado. Además, es importante entender si los cánceres de mama de intervalo fueron “pasados por alto” por el radiólogo o simplemente no eran visibles en el momento de la mamografía de cribado precedente.
Un estudio fue publicado en Journal of the National Cancer Institute, por investigadores de la Universidad de California, Los Ángeles (UCLA), detalla cómo el uso de inteligencia artificial (IA) logró identificar de manera anticipada los tipos de cáncer de intervalo visibles en las mamografía. Es decir la IA ayudó a identificar tumores visibles en mamografías pero no detectados por radiólogos por sus características tan sutiles y tenues casi indetectables por el ojo humano. Esta tecnología podría conducir al desarrollo de nuevos enfoques y prácticas para la detección y el tratamiento temprano de cáncer de mama, con el propósito de mejorar los resultados para las pacientes.
“Este hallazgo es importante porque estos tipos de cáncer de intervalo podrían detectarse en etapas más tempranas, cuando el cáncer es más fácil de tratar”, afirmó la Dra. Tiffany Yu, profesora adjunta de Radiología en la Facultad de Medicina David Geffen de la UCLA y primera autora del estudio. “Para las pacientes, la detección temprana del cáncer puede marcar la diferencia. Puede conducir a un tratamiento menos agresivo y mejorar las probabilidades de un mejor pronóstico”.
El estudio utilizó mamografías digitales y mamografías de cribado realizadas entre 2010 y 2019 en un centro académico de atención terciaria de Estados Unidos e identificaron los cáncer de mama de intervalos diagnosticados <12 meses después de una mamografía negativa. Al menos tres radiólogos de mama clasificaron retrospectivamente este tipo de cáncer como error de lectura omitido, signos mínimos-accionables, signos mínimos-no accionables, intervalo verdadero, oculto o error técnico omitido.
Los autores utilizaron Transpara, una herramienta de IA que utiliza un enfoque de deep learning. Este software asignó puntuaciones de riesgo del 1 al 10 a las mamografías de cribado de índice negativo, con puntuaciones ≥8 consideradas “marcadas”. El análisis estadístico evaluó las asociaciones entre los tipos de cáncer de mama de intervalo y las puntuaciones del examen de IA, las marcas de IA y las características de la paciente/tumor.
De un total de 184,935 mamografías de cribado (65% digitales), los autores identificaron 148 casos de cáncer en 148 mujeres. Entre las pacientes el 26% de los casos fueron clasificados como signos mínimos-accionables; el 24%, ocultos; el 22%, signos mínimos-no accionables; el 17%, errores de lectura; el 6%, intervalos verdaderos; y el 5%, errores técnicos.
La IA puntuó 131 mamografías, excluidos 17 errores. Además marcó con mayor frecuencia los exámenes con errores de lectura (90%), signos mínimos-accionables (89%) y signos mínimos-no-accionables (72%). Asimismo, la IA localizó los tipos visibles mamográficamente con mayor precisión (35-68%) que los tipos no visibles.
Los investigadores concluyeron que la IA marcó con mayor frecuencia y localizó con precisión los tipos de cáncer de mama de intervalo que eran visibles mamográficamente en el cribado, fueran signos omitidos o mínimos, en comparación con los verdaderos cánceres de intervalo u ocultos.
De esta forma, los principales resultados mostraron que la IA identificó el 76% de las mamografías que originalmente como normales, pero que posteriormente se vincularon con un cáncer de mama de intervalo. Además se detectaron el 90% de los casos de errores de lectura fallida. También se detectaron 89% de los cánceres con signos mínimos que mostraban signos muy sutiles.
“Si bien obtuvimos resultados prometedores, también descubrimos muchas imprecisiones de la IA y problemas que requieren mayor análisis en la práctica”, afirmó la Dra. Hannah Milch, profesora adjunta de Radiología en la Facultad de Medicina David Geffen y autora principal del estudio. “Por ejemplo, a pesar de ser invisible en las mamografías, la herramienta de IA detectó el 69 % de las mamografías de detección con cánceres ocultos. Sin embargo, al analizar las áreas específicas de las imágenes que la IA marcó como sospechosas, su rendimiento fue menor y solo detectó el cáncer real el 22% de las veces”.
Las autoras principales reconocen que serán necesarios nuevos estudios prospectivos más amplios para comprender cómo los radiólogos pueden aprovechar esta IA en la práctica clínica para mejorar la detección. Tiene potencial para servir como una valiosa segunda mirada, especialmente para los tipos de cáncer más difíciles de detectar a tiempo. Se trata de brindar a los radiólogos mejores herramientas y a los pacientes la mejor oportunidad de detectar el cáncer a tiempo, lo que podría salvar más vidas”, finalizó la Dra. Yu.
