A pesar de los grandes avances en la genética y la imagenología moderna, el diagnóstico atrapa a la mayoría de las pacientes con cáncer de mama por sorpresa. Para algunos, llega demasiado tarde. El diagnóstico tardío significa tratamientos agresivos, resultados inciertos y más gastos médicos. Como resultado, la identificación de pacientes ha sido un pilar central de la investigación del cáncer de mama y de la detección precoz efectiva.

Con eso en mente, un equipo del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT y del Hospital General de Massachusetts (MGH) ha creado un nuevo modelo de aprendizaje profundo que puede predecir a partir de un mamograma si una paciente tiene probabilidades de desarrollar cáncer de mama hasta cinco años en el futuro. Capacitado en mamogramas y resultados conocidos de más de 60,000 pacientes con MGH, el modelo aprendió los sutiles patrones en el tejido mamario que son precursores de los tumores malignos.

La profesora del MIT Regina Barzilay, sobreviviente de cáncer de mama, dice que la esperanza es que sistemas como estos permitan a los médicos personalizar los programas de detección y prevención a nivel individual, haciendo del diagnóstico tardío una reliquia del pasado.

Aunque se ha demostrado que la mamografía reduce la mortalidad por cáncer de mama, existe un debate continuo sobre la frecuencia con la que se debe realizar el cribado y cuándo se debe comenzar. Mientras que la Sociedad Estadounidense del Cáncer recomienda la evaluación anual a partir de los 45 años de edad, el Grupo de Trabajo Preventivo de EE. UU. recomienda la evaluación cada dos años a partir de los 50 años de edad.

"En lugar de adoptar un enfoque único, podemos personalizar la detección en torno al riesgo de que una mujer desarrolle cáncer", dice Barzilay, autor principal de un nuevo artículo sobre el proyecto publicado hoy en Radiología. "Por ejemplo, un médico podría recomendar que un grupo de mujeres se haga una mamografía cada dos años, mientras que otro grupo de alto riesgo podría hacerse una revisión suplementaria de RMN". Barzilay es el Profesor de Electrónica Delta en CSAIL y el Departamento de Ingeniería Eléctrica y Ciencias de la Computación en el MIT y miembro del Instituto Koch para la Investigación Integral del Cáncer en el MIT.

El modelo del equipo fue significativamente mejor para predecir el riesgo que los enfoques existentes: Colocó con precisión al 31 por ciento de todos los pacientes de cáncer en la categoría de mayor riesgo, en comparación con sólo el 18 por ciento de los modelos tradicionales.

La profesora de Harvard Constance Lehman dice que anteriormente ha habido un apoyo mínimo en la comunidad médica para las estrategias de detección que están basadas en el riesgo y no en la edad.

"Esto se debe a que antes no teníamos herramientas de evaluación de riesgo precisas que funcionaran para mujeres individuales", dice Lehman, profesor de radiología en la Facultad de Medicina de Harvard y jefe de la división de imagenología del seno del MGH. "Nuestro trabajo es el primero en demostrar que es posible." 

Barzilay y Lehman escribieron el artículo junto con el autor principal Adam Yala, un estudiante de doctorado de CSAIL. Otros coautores del MIT son el estudiante de doctorado Tal Schuster y la ex-estudiante de maestría Tally Portnoi.

Cómo funciona

Desde el primer modelo de riesgo de cáncer de mama de 1989, el desarrollo ha sido impulsado en gran medida por el conocimiento humano y la intuición de cuáles podrían ser los principales factores de riesgo, como la edad, los antecedentes familiares de cáncer de mama y de ovario, los factores hormonales y reproductivos, y la densidad mamaria.

Sin embargo, la mayoría de estos marcadores sólo están débilmente correlacionados con el cáncer de mama. Como resultado, tales modelos todavía no son muy precisos a nivel individual, y muchas organizaciones siguen pensando que los programas de detección basados en el riesgo no son posibles, dadas esas limitaciones.

En lugar de identificar manualmente los patrones en un mamograma que impulsan el cáncer futuro, el equipo del MIT/MGH entrenó un modelo de aprendizaje profundo para deducir los patrones directamente de los datos. Utilizando información de más de 90.000 mamografías, el modelo detectó patrones demasiado sutiles para que el ojo humano los detectara.

"Desde la década de 1960, los radiólogos han notado que las mujeres tienen patrones únicos y ampliamente variables de tejido mamario visible en la mamografía", dice Lehman. "Estos patrones pueden representar la influencia de la genética, las hormonas, el embarazo, la lactancia, la dieta, la pérdida de peso y el aumento de peso. Ahora podemos aprovechar esta información detallada para ser más precisos en nuestra evaluación de riesgos a nivel individual". 

Hacer más equitativa la detección del cáncer

El proyecto también tiene por objeto hacer que la evaluación de riesgos sea más precisa para las minorías raciales, en particular. Muchos de los primeros modelos se desarrollaron en poblaciones blancas, y eran mucho menos precisos para otras razas. El modelo MIT/MGH, por su parte, es igualmente preciso para mujeres blancas y negras. Esto es especialmente importante dado que se ha demostrado que las mujeres negras tienen 42 por ciento más probabilidades de morir de cáncer de mama debido a una amplia gama de factores que pueden incluir diferencias en la detección y el acceso a la atención médica.

"Es particularmente sorprendente que el modelo funcione igual de bien para las personas blancas y negras, lo que no ha sido el caso con herramientas anteriores", dice Allison Kurian, profesora asociada de medicina e investigación/política de la salud en la Facultad de Medicina de la Universidad de Stanford. "Si se valida y se pone a disposición para su uso generalizado, esto podría mejorar nuestras estrategias actuales para estimar el riesgo."

Barzilay dice que su sistema también podría algún día permitir a los médicos usar las mamografías para ver si las pacientes tienen un mayor riesgo de sufrir otros problemas de salud, como enfermedades cardiovasculares u otros tipos de cáncer. Los investigadores están ansiosos por aplicar los modelos a otras enfermedades y dolencias, y especialmente a aquellas con modelos de riesgo menos efectivos, como el cáncer de páncreas.

Enlace Web - Fuente