Filtrar por tipo de entrada
Seleccionar todo
Noticias
Páginas
Eventos
Filtrar por categorías
Seleccionar todo
AI ANALITICA
Apps móviles e Internet de las Cosas
Avance de la ciencia
Big data
Comunidades conectadas
Coronavirus
Cursos y capacitaciones
DIAGNOSTICO
Editorial inicial
Editoriales
El mundo en la nube
Eventos
Infografías
Inteligencia Artificial y Ciencia
IoTApps
Noticias
Plataformas digitales
Redes sociales
Reseña de publicaciones científicas
Resumen de Cursos
Sinopsis de ensayo
Sinopsis de Marcos de Referencia
Sinopsis de publicaciones recientes
Uso de Plataformas Digitales
Modelo de IA superó a modelo estándar en predicción de cáncer de mama

Un estudio analizó mamografías de más de 300 mil mujeres para predecir cáncer de mama utilizando modelos de inteligencia artificial y aprendizaje automático.

En un amplio estudio que incluyó miles de mamografías, fueron utilizados algoritmos de inteligencia artificial (IA) que superaron al modelo de riesgo clínico estándar para predecir el riesgo de cáncer de mama a cinco años. Los resultados del estudio se publicaron en Radiology.

Según explica el Dr. Vignesh A. Arasu, especialista en radiología, el riesgo de cáncer de mama en una mujer se calcula de manera convencional utilizando modelos clínicos como el modelo de riesgo del Consorcio de Vigilancia del Cáncer de Mama (BCSC, en inglés), que utiliza información autoinformada y de otros aspectos de la paciente, como la edad, antecedentes familiares de la enfermedad, si ha dado a luz y si tiene mamas densas, para calcular un puntaje de riesgo.

“Los modelos de riesgo clínico dependen de recopilar información de diferentes fuentes, lo cual no siempre está disponible o se recopila” explicó el Dr. Arasu. Además, detalló que los avances recientes en el aprendizaje profundo o machine learning basados en IA brindan la capacidad a los especialistas de extraer cientos o miles de características mamográficas adicionales.

En este sentido un estudio retrospectivo conducido por el Dr. Arasu utilizó datos asociados con mamografías de detección 2D negativas realizadas en Kaiser Permanente Northern California en 2016. De las 324,009 mujeres examinadas en 2016 que cumplían con los criterios de elegibilidad, se seleccionó una subcohorte aleatoria de 13,628 mujeres para el análisis. Asimismo, estudiaron a las 4,584 pacientes del grupo de elegibilidad que fueron diagnosticadas con cáncer dentro de los cinco años de la mamografía original de 2016. Todas las mujeres fueron seguidas y monitoreadas hasta 2021 por especialistas.

Los algoritmos predijeron hasta el 28% de los cánceres en comparación con el 21% predicho por el BCSC. De esta manera, los resultados mostraron que los algoritmos de inteligencia artificial superaron al modelo clínico en la predicción del riesgo de cáncer de mama a cinco años. Incluso se encontró que algunos algoritmos de IA eran especialmente buenos en la detección de cánceres agresivos que podrían requerir una evaluación adicional. Además, los algoritmos entrenados para periodos de tiempo cortos también fueron capaces de predecir el riesgo de cáncer a largo plazo.

“Los cinco algoritmos de inteligencia artificial superaron al modelo de riesgo del BCSC para predecir el riesgo de cáncer de mama de 0 a 5 años”, dijo el Dr. Arasu. “Este sólido rendimiento predictivo durante el período de cinco años sugiere que la inteligencia artificial está identificando tanto los cánceres no detectados como las características del tejido mamario que ayudan a predecir el desarrollo futuro de cáncer de mama”

El estudio demostró que los algoritmos de IA superan a los modelos clínicos tradicionales para predecir el riesgo de cáncer de mama a cinco años. La capacidad de la inteligencia artificial para extraer características adicionales de las mamografías proporciona una ventaja significativa en la identificación de cánceres no detectados y en la predicción del desarrollo futuro de la enfermedad. Esto ofrece la posibilidad de personalizar la atención de cada paciente y tomar decisiones informadas sobre su cuidado.

Puedes consultar el estudio en el siguiente enlace: https://doi.org/10.1148/radiol.222733

Contenidos Relacionados

Secured By miniOrange