Los médicos examinan imágenes de muestras de tejido mamario obtenidas mediante biopsia para diagnosticar el cáncer de mama. Sin embargo, las diferencias entre las imágenes cancerosas y las benignas pueden ser difíciles de clasificar para el ojo humano. El nuevo algoritmo ayuda a interpretarlas y lo hace con una precisión casi igual o superior a la de un patólogo experimentado, según la tarea.
“Este trabajo se centró en cómo captar las características de las distintas clases diagnósticas analizando el patrón de las clases de tejido que rodean los conductos en las imágenes de diapositivas completas de biopsias de mama”, afirma la coautora Linda Shapiro, profesora de la Escuela Paul G. Allen de Ciencias de la Computación e Ingeniería y del departamento de ingeniería eléctrica e informática de la Universidad de Washington.
“Mi estudiante de doctorado, Ezgi Mercan, inventó un descriptor novedoso denominado característica estructural, que fue capaz de representar estos patrones de forma compacta para su uso en el aprendizaje automático.”
DIAGNÓSTICOS ERRÓNEOS
Un estudio anterior de la Facultad de Medicina de la Universidad de Washington reveló que los patólogos a menudo discrepan en la interpretación de las biopsias de mama, a las que se someten millones de mujeres cada año.
El estudio reveló que se produjeron errores de diagnóstico en aproximadamente una de cada seis mujeres con un tipo no invasivo de cáncer de mama llamado “carcinoma ductal in situ”. Además, aproximadamente la mitad de las mujeres con células anormales asociadas a un mayor riesgo de cáncer de mama, una afección denominada atipia mamaria, recibieron diagnósticos de biopsia incorrectos.
“Las imágenes médicas de las biopsias de mama contienen una gran cantidad de datos complejos, y su interpretación puede ser muy subjetiva”, afirma la coautora Joann Elmore, profesora de medicina en la Universidad de California en Los Ángeles, que anteriormente fue profesora de medicina interna en la Universidad de Washington.
“Distinguir la atipia mamaria del carcinoma ductal in situ es clínicamente importante, pero muy difícil para los patólogos. A veces, los médicos ni siquiera coinciden con su diagnóstico previo cuando se les muestra el mismo caso un año después.”
MÁS ALLÁ DEL CÁNCER DE MAMA
Los científicos razonaron que la inteligencia artificial podría proporcionar lecturas más precisas de forma consistente. Utiliza un conjunto de datos amplio que permite al sistema de aprendizaje automático reconocer patrones asociados al cáncer que los médicos podrían tener dificultad para detectar. Tras estudiar las estrategias que los patólogos utilizaban al interpretar las biopsias de mama, el equipo desarrolló métodos de análisis de imágenes adaptados para afrontar estos desafíos.
El equipo introdujo 240 imágenes de biopsias de mama en un ordenador y lo entrenó para reconocer patrones asociados a varios tipos de lesiones mamarias, desde no cancerosas y atipias hasta carcinoma ductal in situ y cáncer de mama invasivo. Un consenso de tres patólogos expertos determinó los diagnósticos correctos.
Para probar el sistema, los investigadores compararon sus lecturas con los diagnósticos independientes realizados por 87 patólogos en ejercicio de Estados Unidos que interpretaron los mismos casos. El algoritmo se acercó a rendir tan bien como los médicos humanos al diferenciar el cáncer de lo que no lo era.
Pero superó a los médicos al diferenciar el carcinoma ductal in situ de la atipia, diagnosticando correctamente las biopsias de cáncer de mama preinvasivo alrededor del 89 % de las veces, frente al 70 % de los patólogos.
“Estos resultados son muy alentadores”, afirma Elmore. “La precisión de los patólogos en ejercicio de Estados Unidos es baja cuando se trata del diagnóstico de la atipia y del carcinoma ductal in situ, y el enfoque automatizado basado en ordenadores muestra un gran potencial.”
Los investigadores trabajan actualmente en el entrenamiento del sistema para diagnosticar el cáncer de piel.
Mercan es la primera autora del artículo, que se publica en JAMA Network Open. Otros autores proceden de la Universidad de Washington, de Southern Ohio Pathology Consultants y de la Universidad de Vermont. Los Institutos Nacionales de Salud financiaron el trabajo.
