El cáncer de mama es una condición que afecta a demasiadas mujeres en todo el mundo. Más de 55.000 personas en el Reino Unido son diagnosticadas con cáncer de mama cada año, y aproximadamente 1 de cada 8 mujeres en los EE.UU. desarrollarán la enfermedad durante su vida.

La mamografía digital, o la imagenología de rayos X del seno, es el método más común para detectar el cáncer de mama, con más de 42 millones de exámenes realizados cada año en los EE.UU. y el Reino Unido combinados. Pero a pesar del uso amplio de la mamografía digital, la detección y el diagnóstico temprano del cáncer de mama sigue siendo un reto.

La lectura de estas imágenes de rayos X es una tarea difícil, incluso para los expertos, y con frecuencia puede resultar tanto en falsos positivos como en falsos negativos. A su vez, esas inexactitudes pueden llevar a retrasos en la detección y el tratamiento, estrés innecesario para los pacientes y una carga de trabajo mayor para los radiólogos que ya son escasos.



En los últimos dos años, hemos estado trabajando con socios de investigación clínica importantes en el Reino Unido y los Estados Unidos para ver si la inteligencia artificial puede mejorar la detección del cáncer de mama. Hoy, estamos compartiendo nuestros hallazgos iniciales, que han sido publicados en Nature. Estos hallazgos muestran que nuestro modelo de IA detectó el cáncer de mama en mamografías de evaluación no identificadas (en las que se ha eliminado la información identificable) con mayor precisión, menos falsos positivos y menos falsos negativos que los expertos. Esto establece el escenario para aplicaciones futuras donde el modelo puede apoyar potencialmente a los radiólogos que realizan exámenes de cáncer de mama.

Nuestra investigación

En colaboración con colegas de DeepMind, el Centro Imperial de Investigación del Cáncer del Reino Unido, la Universidad del Noroeste y el Hospital Real del Condado de Surrey, nos propusimos ver si la inteligencia artificial podría ayudar a los radiólogos a detectar los signos del cáncer de mama con mayor precisión.

El modelo fue entrenado y ajustado en un conjunto de datos representativos compuesto de mamogramas des-identificados de más de 76.000 mujeres en el Reino Unido y más de 15.000 mujeres en los Estados Unidos, para ver si podía aprender a detectar señales de cáncer de mama en los exámenes. El modelo se evaluó entonces en un conjunto de datos separados y no identificados de más de 25,000 mujeres en el Reino Unido y más de 3,000 mujeres en los EE. UU. En esta evaluación, nuestro sistema produjo una reducción de 5.7 por ciento de falsos positivos en los EE. UU. y de 1.2 por ciento en el Reino Unido.

También queríamos ver si el modelo podía generalizarse a otros sistemas de salud. En este experimento separado, hubo una reducción de 3.5 por ciento en los falsos positivos y de 8.1 por ciento en los falsos negativos, lo que muestra el potencial del modelo para generalizar a nuevos ambientes clínicos mientras se desempeña a un nivel más alto que el de los expertos.

En particular, al tomar sus decisiones, el modelo recibió menos información que los expertos humanos. Los expertos humanos (de acuerdo con la práctica rutinaria) tuvieron acceso a las historias de las pacientes y a las mamografías anteriores, mientras que el modelo sólo procesó la mamografía anónima más reciente sin información adicional. A pesar de trabajar sólo a partir de estas imágenes de rayos X, el modelo superó a los expertos individuales en la identificación precisa del cáncer de mama.

Próximos pasos

Mirando hacia las aplicaciones futuras, hay algunas señales prometedoras de que el modelo podría potencialmente aumentar la precisión y eficiencia de los programas de cribado, así como reducir los tiempos de espera y el estrés de los pacientes. La directora financiera de Google, Ruth Porat, compartió su optimismo en torno a los posibles avances tecnológicos en esta área en un artículo publicado en octubre en el que reflexionaba sobre su experiencia personal con el cáncer de mama.

Sin embargo, para lograrlo se requerirá una investigación continua, estudios clínicos prospectivos y la aprobación de las autoridades reguladoras para comprender y demostrar cómo los sistemas de software inspirados en esta investigación podrían mejorar la atención a los pacientes.

Este trabajo es la última línea de nuestra investigación que busca la detección y el diagnóstico del cáncer de mama, no sólo dentro del ámbito de la radiología, sino también de la patología. En 2017, publicamos hallazgos tempranos mostrando cómo nuestros modelos pueden detectar con exactitud el cáncer de mama metastásico a partir de especímenes de ganglios linfáticos. El año pasado, también desarrollamos un algoritmo de aprendizaje profundo que puede ayudarles a los médicos a detectar el cáncer de mama más rápidamente y con precisión en las láminas de patología.

Esperamos trabajar con nuestros socios en los próximos años para traducir nuestra investigación de aprendizaje automático en herramientas que beneficien a los médicos y a los pacientes.

Enlace Web - Fuente