INTELIGENCIA ARTIFICIAL APLICADA AL DIAGNÓSTICO PRECOZ DEL CÁNCER DE MAMA.

La inteligencia artificial (IA) es un concepto que a todos nos suena y al mismo tiempo a muchos nos es bastante desconocido. A priori intuimos que el procesamiento de datos por una gran inteligencia con capacidad de aprendizaje propio es un gran avance con potencial para su aplicación en todos los ámbitos incluyendo la salud y la medicina, sin embargo muchas veces desconocemos su funcionamiento profundo y nos cuesta imaginar su aplicación en un campo concreto. En este artículo pretendo describir de manera simplificada y didáctica los fundamentos de los sistemas de inteligencia artificial y sus posibles aplicaciones en el marco de los programas de cribado de mama.

Los programas poblacionales de detección precoz del cáncer de mama contribuyen eficazmente a la reducción de la mortalidad debida a esta patología, pero generan millones de mamografías que deben ser evaluadas por un radiólogo para determinar el riesgo de cáncer de mama. La aparición de la mamografía digital posibilitó el desarrollo de sistemas de diagnóstico asistido por ordenador (CAD) que si bien contribuyen a reducir la carga de trabajo de los radiólogos traen consigo un número importante de errores. La creciente implementación de sistemas basados en inteligencia artificial permite mejorar el rendimiento de los CAD tradicionales.

Para que podamos entender el valor añadido de las IA es necesario tener una noción básica sobre su funcionamiento y sobre todo de en qué se diferencian de un programa o algoritmo informático tradicional.

La inteligencia artificial (IA) se define como un programa de computación diseñado para realizar determinadas operaciones que se consideran propias de la inteligencia humana, como el autoaprendizaje. Y es ahí, en el aprendizaje donde está la clave que lo cambia todo.

Las IA funcionan mediante algoritmos matemáticos que permiten a las máquinas informáticas aprender. Cuando además estos algoritmos de aprendizaje automático imitan la arquitectura del cerebro humanos estamos ante una inteligencia artificial tipo “deep learning”, que es la estrategia para obtener inteligencia artificial que más se acerca a la forma en la que aprendemos los humanos. La mayoría de los métodos de deep learning usan arquitectura de redes neuronales, por eso a menudo se conoce a la inteligencia artificial basada en deep learning como “redes neuronales profundas”.

Antes de ver cómo se aplica todo esto a los sistemas de ayuda al diagnóstico por ordenador (CAD), es importante comprender un último concepto relacionado con la IA. Toda inteligencia artificial debe pasar una fase de entrenamiento o proceso de aprendizaje durante la cual trabajará sobre una serie datos con resultados conocidos y perfeccionará su funcionamiento mediante el autoaprendizaje. Durante esta etapa es fundamental que se disponga datos precisos y de calidad.

Hay distintos modelos de entrenamiento para una IA según los datos de los que dispongamos y el objetivo que queramos obtener. En el aprendizaje supervisado, la red neuronal será entrenada con unos datos previamente recolectados por los profesionales (datasets). En el caso de los CAD basados en inteligencia artificial, el dataset constará de imágenes de mamografías anteriores al diagnóstico de cáncer, y sus respectivas etiquetas que serán, por ejemplo, el punto justo de la imagen que se convertirá en cáncer y en cuánto tiempo. Después de haber analizado un gran número de estas mamografías etiquetadas la red neuronal será capaz de generalizar cualquier mamografía examinada y detectará qué puntos tienen peligro de convertirse en cáncer.

A continuación os comento dos de las herramientas con más repercusión en el mundo de la medicina utilizando esta tecnología:

MammoScreenTM es una IA estadounidense que analiza automáticamente las mamografías escaneadas e indica mamografías sospechosas y lesiones al radiólogo. Según la probabilidad de malignidad y el grado de confianza del algoritmo, el software asigna una puntuación única, “MammoScreen Score”, del 1 al 10. Un estudio clínico realizado en 2019, y publicado en Radiology: AI, mostró que los radiólogos asistidos por MammoScreen tienen un mejor rendimiento que sin el software. Esta herramienta ha sido aprobada para su uso en la unión europea el pasado 12 de enero de 2021.

MIRAI es un modelo muy reciente en proceso de prueba, que integra datos de mamografías para producir evaluaciones consistentes del riesgo de cáncer de mama en múltiples puntos de tiempo, como dentro de 1 año o 5 años. Cuando se probó de forma independiente con datos de 106.615 pacientes de tres hospitales, ubicados en los EE. UU., Suecia y Taiwán, Mirai identificó al 41,5% de los pacientes que desarrollarían cáncer en 5 años. Por el contrario, los enfoques actuales, como los modelos Tyrer-Cuzick e Hybrid Deep Learning, sólo identificaron al 22,9% y el 36,1% de los pacientes, respectivamente. Mirai también fue eficaz en varias razas y etnias, lo que respalda su potencial para informar las pautas de detección para poblaciones grandes y diversas.

El potencial de las herramientas de inteligencia artificial para su aplicación en el cáncer de mama va mucho más allá de sus posibilidades en el diagnóstico de imagen. Hay modelos de IA trabajando en generar conocimiento derivado del análisis de los genes tumorales, así como herramientas que están siendo entrenadas para acompañar al médico en la toma de decisiones con respecto a las inminentes y esperanzadoras terapias individualizadas. Por este motivo es imposible mirar hacia el futuro de la terapia del cáncer y su posible curación sin tener en cuenta lo que estos sistemas computacionales van a aportar a la ciencia médica.

Alexandra Dubra Fernández
Farmacéutica titular Farmacia Puerta Real de A Coruña y divulgadora a través de @farmatiks en Tiktok

Lecturas de interés:
1. Aboutalib, S. S. et al. Deep Learning to Distinguish Recalled but Benign Mammography Images in Breast Cancer Screening. Clin. Cancer Res. (2018).
2. Hamidinekoo, A., Denton, E., Rampun, A., Honnor, K. & Zwiggelaar, R. Deep learning in mammography and breast histology, anoverview and future trends. Med. Image Analysis 47, 45–67 (2018).

3. Rodriguez-Ruiz, A. et al. Stand-Alone Artificial Intelligence for Breast Cancer Detection in Mammography: Comparison With 101 Radiologists. JNCI: J. Natl. Cancer Inst (2019).

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *