Pese a los grandes avances en genética y diagnóstico por imágenes moderno, el diagnóstico toma por sorpresa a la mayoría de las pacientes con cáncer de mama.
Para algunas, llega demasiado tarde. Un diagnóstico tardío implica tratamientos agresivos, resultados inciertos y mayores gastos médicos. Por ello, identificar a las pacientes ha sido un pilar fundamental de la investigación sobre el cáncer de mama y de la detección temprana eficaz.
Con esto en mente, un equipo del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT (CSAIL) y del Hospital General de Massachusetts (MGH) ha creado un nuevo modelo de aprendizaje profundo que puede predecir, a partir de una mamografía, si es probable que una paciente desarrolle cáncer de mama hasta cinco años después. Entrenado con mamografías y resultados conocidos de más de 60.000 pacientes del MGH, el modelo aprendió los sutiles patrones del tejido mamario que preceden a los tumores malignos.
La profesora del MIT Regina Barzilay, quien también ha superado un cáncer de mama, afirma que se espera que sistemas como estos permitan a los médicos adaptar los programas de detección y prevención a cada persona, y que los diagnósticos tardíos se conviertan en cosa del pasado.
Aunque se ha demostrado que la mamografía reduce la mortalidad por cáncer de mama, sigue habiendo debate sobre la frecuencia de las pruebas de detección y cuándo empezar a realizarlas. La Sociedad Americana contra el Cáncer recomienda pruebas anuales a partir de los 45 años, mientras que el Grupo de Trabajo de Servicios Preventivos de Estados Unidos recomienda hacerlas cada dos años a partir de los 50.
«En lugar de adoptar un enfoque igual para todas, podemos personalizar las pruebas de detección según el riesgo de que una mujer desarrolle cáncer», afirma Barzilay, autora principal de un nuevo artículo sobre el proyecto publicado recientemente en Radiology. «Por ejemplo, un médico podría recomendar a un grupo de mujeres hacerse una mamografía cada dos años, mientras que a otro grupo con mayor riesgo podría recomendarle pruebas complementarias de resonancia magnética». Barzilay es profesora Delta Electronics en el CSAIL y el Departamento de Ingeniería Eléctrica y Ciencias de la Computación del MIT, y miembro del Instituto Koch para la Investigación Integrativa del Cáncer del MIT.
El modelo del equipo predijo el riesgo significativamente mejor que los métodos existentes: clasificó correctamente en la categoría de mayor riesgo al 31 % de todas las pacientes con cáncer, frente a solo el 18 % con los modelos tradicionales.
La profesora de Harvard Constance Lehman afirma que hasta ahora la comunidad médica apenas había respaldado las estrategias de detección basadas en el riesgo en lugar de en la edad.
«Esto se debe a que antes no contábamos con herramientas precisas para evaluar el riesgo de cada mujer», afirma Lehman, profesora de radiología de la Facultad de Medicina de Harvard y jefa de la división de diagnóstico por imágenes de mama del MGH. «Nuestro trabajo es el primero en demostrar que es posible».
Barzilay y Lehman escribieron el artículo junto con el autor principal, Adam Yala, estudiante de doctorado del CSAIL. Entre los demás coautores del MIT están el estudiante de doctorado Tal Schuster y la exestudiante de maestría Tally Portnoi.
Cómo funciona
Desde el primer modelo de riesgo de cáncer de mama, creado en 1989, su desarrollo se ha guiado en gran medida por el conocimiento y la intuición humanos sobre cuáles podrían ser los principales factores de riesgo, como la edad, los antecedentes familiares de cáncer de mama y de ovario, los factores hormonales y reproductivos, y la densidad mamaria.
Sin embargo, la mayoría de estos indicadores solo tienen una correlación débil con el cáncer de mama. Por ello, esos modelos siguen siendo poco precisos a nivel individual y muchas organizaciones continúan considerando inviables los programas de detección basados en el riesgo, dadas esas limitaciones.
En lugar de identificar manualmente los patrones de una mamografía que permiten anticipar un cáncer, el equipo del MIT y el MGH entrenó un modelo de aprendizaje profundo para deducirlos directamente de los datos. Al utilizar información de más de 90.000 mamografías, el modelo detectó patrones demasiado sutiles para que el ojo humano pudiera percibirlos.
«Desde la década de 1960, los radiólogos han observado que las mujeres presentan patrones únicos y muy variados de tejido mamario visibles en las mamografías», afirma Lehman. «Estos patrones pueden reflejar la influencia de la genética, las hormonas, el embarazo, la lactancia, la alimentación, la pérdida de peso y el aumento de peso. Ahora podemos aprovechar esta información detallada para evaluar el riesgo individual con mayor precisión».
Hacer más equitativa la detección del cáncer
El proyecto también busca mejorar la precisión de la evaluación del riesgo, en particular para las minorías raciales. Muchos de los primeros modelos se desarrollaron con poblaciones blancas y eran mucho menos precisos para otras razas. En cambio, el modelo del MIT y el MGH es igual de preciso para mujeres blancas y negras. Esto es especialmente importante, ya que se ha demostrado que las mujeres negras tienen un 42 % más de probabilidades de morir de cáncer de mama debido a una amplia variedad de factores, entre ellos posibles diferencias en la detección y el acceso a la atención médica.
«Resulta especialmente llamativo que el modelo funcione igual de bien con personas blancas y negras, algo que no ocurría con las herramientas anteriores», afirma Allison Kurian, profesora asociada de medicina e investigación y políticas de salud de la Facultad de Medicina de la Universidad de Stanford. «Si se valida y se pone a disposición para un uso generalizado, podría mejorar mucho nuestras estrategias actuales de estimación del riesgo».
Barzilay afirma que algún día su sistema también podría permitir a los médicos usar mamografías para determinar si las pacientes corren mayor riesgo de padecer otros problemas de salud, como enfermedades cardiovasculares u otros tipos de cáncer. Los investigadores quieren aplicar los modelos a otras enfermedades y dolencias, en especial a aquellas para las que los modelos de riesgo son menos eficaces, como el cáncer de páncreas.
«Nuestro objetivo es que estos avances formen parte de la atención médica estándar», afirma Yala. «Al predecir quién desarrollará cáncer en el futuro, esperamos poder salvar vidas y detectar el cáncer antes de que aparezcan los síntomas».
