Una herramienta de inteligencia artificial, entrenada con cerca de un millón de imágenes de mamografías de cribado, puede identificar el cáncer de mama con una precisión aproximada del 90 % cuando se combina con el análisis de un radiólogo, según un nuevo estudio.
El estudio examinó la capacidad de un tipo de inteligencia artificial (IA), un programa informático de aprendizaje automático, para aportar valor a los diagnósticos que un grupo de 14 radiólogos formuló al revisar 720 mamografías imágenes.
«Nuestro estudio descubrió que la IA identificó en los datos patrones relacionados con el cáncer que los radiólogos no pudieron detectar, y viceversa», afirma Krzysztof Geras, autor principal del estudio y profesor adjunto del Departamento de Radiología de la Facultad de Medicina Grossman de la Universidad de Nueva York.
«La IA detectó cambios en los tejidos a nivel de píxel que son invisibles para el ojo humano, mientras que las personas emplearon formas de razonamiento que la IA no posee», añade Geras, también miembro afiliado del profesorado del Centro de Ciencia de Datos. «El objetivo último de nuestro trabajo es ampliar las capacidades de los radiólogos, no reemplazarlos».
En 2014, las mujeres (sin síntomas) de Estados Unidos se sometieron a más de 39 millones de mamografías para detectar el cáncer de mama y determinar si era necesario un seguimiento más exhaustivo. A las mujeres cuyos resultados mostraban hallazgos anormales en la mamografía se las derivaba para una biopsia, un procedimiento en el que se extrae una pequeña muestra de tejido mamario para analizarla en el laboratorio.
En el nuevo estudio, el equipo de investigación diseñó técnicas estadísticas que permitieron que el programa «aprendiera» a mejorar en una tarea sin recibir instrucciones exactas sobre cómo hacerlo. Estos programas construyen modelos matemáticos que permiten tomar decisiones a partir de ejemplos de datos que se les proporcionan; el programa se vuelve «más inteligente» a medida que revisa cada vez más datos.
Los enfoques modernos de IA, inspirados en el cerebro humano, utilizan circuitos complejos para procesar la información en capas. Cada paso transmite información al siguiente y asigna mayor o menor importancia a cada elemento de información a lo largo del proceso.
Los autores del estudio entrenaron su herramienta de IA con numerosas imágenes vinculadas a los resultados de biopsias realizadas anteriormente. Su objetivo era que la herramienta ayudara a los radiólogos a reducir el número de biopsias necesarias en el futuro. Según Geras, esto solo puede lograrse aumentando la confianza de los médicos en la precisión de las evaluaciones de los exámenes de cribado (por ejemplo, reduciendo los resultados falsos positivos y falsos negativos).
Para este estudio, el equipo de investigación analizó imágenes recopiladas como parte de la atención clínica habitual durante siete años; examinó los datos obtenidos y relacionó las imágenes con los resultados de las biopsias. Según los autores, este trabajo generó un conjunto de datos extraordinariamente grande para entrenar su herramienta de IA, compuesto por 229,426 mamografías digitales de cribado y 1,001,093 imágenes. La mayoría de las bases de datos utilizadas hasta la fecha por los investigadores en sus estudios se limitaban a 10,000 imágenes o menos.
Así, los investigadores entrenaron su red neuronal programándola para analizar imágenes de la base de datos cuyos diagnósticos de cáncer ya se habían establecido. Esto significaba que los investigadores conocían la «verdad» de cada imagen de mamografía (si había cáncer o no) mientras evaluaban la precisión de la herramienta, que tenía que hacer una predicción. Los investigadores midieron la precisión según la frecuencia de las predicciones correctas.
Además, los investigadores diseñaron el modelo de IA del estudio para que primero examinara por separado fragmentos muy pequeños de la imagen de resolución completa y creara un mapa de calor, una representación estadística de la probabilidad de enfermedad. Luego, el programa analiza toda la mama en busca de características estructurales relacionadas con el cáncer y presta más atención a las zonas señaladas en el mapa de calor a nivel de píxel.
En lugar de indicar a los investigadores qué características de las imágenes debía buscar la IA, la herramienta está descubriendo por sí sola cuáles aumentan la precisión de las predicciones. De cara al futuro, el equipo planea mejorar aún más esta precisión entrenando el programa de IA con más datos, e incluso quizá identificando cambios en el tejido mamario que todavía no son cancerosos, pero que podrían llegar a serlo.
«La transición al uso de IA como apoyo en la radiología diagnóstica debería avanzar como la adopción de los coches autónomos: de forma lenta y prudente, generando confianza y mejorando los sistemas durante el proceso, con la seguridad como prioridad», afirma el primer autor, Nan Wu, doctorando del Centro de Ciencia de Datos.
El estudio se publica en IEEE Transactions on Medical Imaging.
Entre los demás coautores hay investigadores de NYU, SUNY Downstate College of Medicine, la Universidad de Cambridge y la Universidad Jaguelónica.
El trabajo recibió financiación, en parte, de los Institutos Nacionales de Salud. El modelo utilizado en este estudio se ha puesto a disposición de la comunidad científica para impulsar la innovación.
