Cada año, 40.000 mujeres mueren de cáncer de mama solo en EE. UU. Cuando el cáncer se detecta en una fase temprana, a menudo puede curarse. Las mamografías son la mejor prueba disponible, pero siguen siendo imperfectas y con frecuencia arrojan resultados falsos positivos que pueden dar lugar a biopsias y cirugías innecesarias.
Una causa común de los falsos positivos son las llamadas lesiones de «alto riesgo», que parecen sospechosas en las mamografías y presentan células anormales cuando se analizan mediante una biopsia con aguja. En estos casos, normalmente se somete a la paciente a una cirugía para extirpar la lesión; sin embargo, en el 90 % de los casos, las lesiones resultan ser benignas tras la operación. Esto significa que cada año miles de mujeres se someten a cirugías dolorosas y costosas que dejan cicatrices y que ni siquiera eran necesarias.
Entonces, ¿cómo se pueden eliminar las cirugías innecesarias y, al mismo tiempo, mantener la importante función de las mamografías en la detección del cáncer? Investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT, el Hospital General de Massachusetts y la Facultad de Medicina de Harvard creen que la respuesta está en recurrir a la inteligencia artificial (IA).
Como primer proyecto para aplicar la IA a la mejora de la detección y el diagnóstico, los equipos colaboraron para desarrollar un sistema de IA que utiliza el aprendizaje automático para predecir si una lesión de alto riesgo identificada mediante una biopsia con aguja tras una mamografía resultará ser cancerosa durante la cirugía.
Al probarlo con 335 lesiones de alto riesgo, el modelo diagnosticó correctamente como malignos el 97 % de los cánceres de mama y redujo en más del 30 % el número de cirugías por lesiones benignas, en comparación con los métodos existentes.
«Como las herramientas de diagnóstico son tan imprecisas, es comprensible que los médicos tiendan a hacer demasiadas pruebas de detección del cáncer de mama», afirma Regina Barzilay, profesora de Ingeniería Eléctrica y Ciencias de la Computación Delta Electronics del MIT, quien también ha superado un cáncer de mama. «Cuando hay tanta incertidumbre en los datos, el aprendizaje automático es precisamente la herramienta que necesitamos para mejorar la detección y evitar el tratamiento excesivo».
Entrenado con información sobre más de 600 lesiones de alto riesgo ya registradas, el modelo busca patrones entre muchos tipos de datos, como los demográficos, los antecedentes familiares, las biopsias anteriores y los informes de anatomía patológica.
«Hasta donde sabemos, este es el primer estudio que aplica el aprendizaje automático a la tarea de distinguir entre las lesiones de alto riesgo que requieren cirugía y las que no», afirma la colaboradora Constance Lehman, profesora de la Facultad de Medicina de Harvard y jefa de la División de Diagnóstico por Imagen Mamaria del Departamento de Radiología del MGH. «Creemos que esto podría ayudar a las mujeres a tomar decisiones más informadas sobre su tratamiento y permitirnos ofrecer enfoques más personalizados para la atención sanitaria en general».
Barzilay, recientemente galardonada con una beca «genio» MacArthur, es coautora de un nuevo artículo académico que describe los resultados, escrito junto con Lehman y Manisha Bahl, del MGH, así como con los estudiantes de posgrado del CSAIL Nicholas Locascio, Adam Yedidia y Lili Yu. El artículo se publicó hoy en la revista médica Radiology.
Cómo funciona
Cuando una mamografía detecta una lesión sospechosa, se realiza una biopsia con aguja para determinar si es cancerosa. Aproximadamente el 70 % de las lesiones son benignas, el 20 % son malignas y el 10 % son lesiones de alto riesgo.
Los médicos tratan las lesiones de alto riesgo de distintas maneras. Algunos operan en todos los casos, mientras que otros solo operan las lesiones con mayores tasas de cáncer, como la «hiperplasia ductal atípica» (ADH) o el «carcinoma lobulillar in situ» (LCIS).
El primer enfoque exige que la paciente se someta a una cirugía dolorosa, prolongada y costosa que suele ser innecesaria; el segundo es impreciso y podría hacer que no se detectaran cánceres en lesiones de alto riesgo distintas de la ADH y el LCIS.
«La gran mayoría de las pacientes con lesiones de alto riesgo no tienen cáncer, y estamos tratando de encontrar a las pocas que sí lo tienen», afirma Bahl, médica del Departamento de Radiología del MGH. «En una situación como esta, siempre existe el riesgo de que, al intentar aumentar el número de cánceres que se pueden detectar, también aumente el número de falsos positivos».
Mediante un método conocido como «clasificador de bosque aleatorio», el modelo del equipo redujo las cirugías innecesarias en comparación con la estrategia de operar siempre y, al mismo tiempo, pudo diagnosticar más lesiones cancerosas que la estrategia de operar solo las lesiones «de alto riesgo» tradicionales. (En concreto, el nuevo modelo diagnosticó el 97 % de los cánceres, frente al 79 %).
«Este trabajo es un ejemplo de cómo utilizar tecnología de aprendizaje automático de vanguardia para evitar cirugías innecesarias», afirma Marc Kohli, director de Informática Clínica del Departamento de Radiología e Imagen Biomédica de la Universidad de California en San Francisco. «Este es el primer paso para que la comunidad médica adopte el aprendizaje automático como medio para identificar patrones y tendencias que, de otro modo, serían invisibles para las personas».
Lehman afirma que los radiólogos del MGH empezarán a incorporar el modelo a su práctica clínica durante el próximo año.
«En el pasado, quizá habríamos recomendado extirpar quirúrgicamente todas las lesiones de alto riesgo», afirma Lehman. «Pero ahora, si el modelo determina que la probabilidad de que una lesión sea cancerosa en una paciente concreta es muy baja, podemos hablar con ella de sus opciones con más información. Para algunas pacientes, podría ser razonable hacer un seguimiento de las lesiones mediante pruebas de imagen en lugar de extirparlas quirúrgicamente».
El equipo afirma que sigue trabajando para perfeccionar el modelo.
«En trabajos futuros esperamos incorporar las imágenes reales de las mamografías y las imágenes de las preparaciones de anatomía patológica, así como información más completa de las pacientes procedente de sus historias clínicas», afirma Bahl.
En el futuro, el modelo también podría adaptarse fácilmente para aplicarlo a otros tipos de cáncer e incluso a otras enfermedades.
«Un modelo como este puede funcionar siempre que haya muchos factores distintos que se correlacionen con un resultado específico», afirma Barzilay. «Esperamos que nos permita empezar a superar el enfoque único para el diagnóstico médico».
