Mamografía basada en Deep Learning y su impacto en Cáncer de Mama

Una nueva investigación publicada en Radiology presenta AsymMirai, un modelo emergente de mamografía basado en deep learning que utiliza la disimilitud bilateral para predecir el riesgo de cáncer de mama a cinco años con un rendimiento comparable a un modelo previo de inteligencia artificial (IA) tipo “caja negra”.

A diferencia de este último, AsymMirai ofrece una ventaja significativa: la interpretabilidad.

¿Cómo funciona AsymMirai?

AsymMirai incorpora un módulo interpretable para la disimilitud bilateral local en las mamografías. Esto permite una mayor comprensión del razonamiento detrás de las evaluaciones de riesgo de cáncer de mama realizadas por IA.

El modelo utiliza como entradas las vistas mamográficas oblicuas mediolaterales y craneocaudales estándar.

A diferencia de Mirai (el modelo previo), que emplea una red neuronal convolucional y un transformador, AsymMirai mantiene la correspondencia espacial entre las imágenes de mamografía introducidas y las características extraídas.

De esta manera, proporciona una puntuación de disimilitud bilateral basada en los promedios de cada valor introducido.

Resultados del Estudio:

• En un análisis de 210,067 mamografías de detección de 81,824 pacientes, AsymMirai mostró AUC (área bajo la curva) comparables a las de Mirai para la evaluación del riesgo de cáncer de mama.
• El modelo AsymMirai, con énfasis en la disimilitud bilateral local, tuvo AUC a uno, tres y cinco años de 79%, 68% y 66%, respectivamente. En comparación, Mirai obtuvo 84%, 72% y 71%, respectivamente.
• AsymMirai demostró una predicción superior del cáncer de mama en pacientes con un desplazamiento limitado de la ventana de predicción (40% o menos). En esta población, AsymMirai presentó un AUC del 92% a un año y del 88% a cinco años.

Puntos Clave del Estudio:

1. IA interpretable para la evaluación del riesgo de cáncer de mama: AsymMirai, con su módulo interpretable de disimilitud bilateral local, mejora la claridad de las evaluaciones de IA en la predicción del riesgo de cáncer de mama. Esta interpretabilidad es crucial para la aceptación y confianza clínica en los modelos de IA.
2. AUCs comparables con mayor claridad en el razonamiento: Además de emplear un módulo interpretable, AsymMirai demuestra un rendimiento comparable a Mirai (modelo de caja negra) en términos de AUC para la evaluación del riesgo de cáncer de mama.
   Esto sugiere que una mayor interpretabilidad puede no comprometer significativamente la precisión predictiva y podría ofrecer a los médicos una visión más transparente de las evaluaciones de riesgo generadas por IA.
3. Rendimiento predictivo superior en ciertos subgrupos de pacientes: AsymMirai exhibe una predicción superior del cáncer de mama, particularmente en pacientes con un desplazamiento limitado de la ventana de predicción.
   Esto indica la posibilidad de que AsymMirai detecte anomalías en el tejido mamario de manera más temprana, facilitando posiblemente intervenciones más oportunas o estrategias de manejo del riesgo.

Los autores del estudio reconocen las limitaciones de la investigación, como el sesgo potencial en el conjunto de datos de entrenamiento y la necesidad de estudios prospectivos para confirmar estos hallazgos iniciales.

Sin embargo, AsymMirai representa un avance prometedor en el campo de la mamografía asistida por IA, ofreciendo un equilibrio entre precisión predictiva e interpretabilidad.

Para conocer más sobre esta invitación, visita Radiology.