En 2020, la Agencia Internacional para la Investigación del Cáncer de la Organización Mundial de la Salud (OMS) declaró que el cáncer de mama representa la mayoría de las morbilidades y mortalidad por cáncer en las mujeres en todo el mundo. Esta alarmante estadística no solo requiere métodos más nuevos para el diagnóstico precoz del cáncer de mama, sino que también pone de manifiesto la importancia de la predicción del riesgo de aparición y desarrollo de esta enfermedad.
La ecografía es un procedimiento de diagnóstico eficaz y no invasivo que realmente salva vidas; sin embargo, a veces es difícil para los ultrasonólogos distinguir entre tumores malignos y otros tipos de crecimientos benignos. En particular, en China, las masas mamarias se clasifican en cuatro categorías: tumores benignos, tumores malignos, masas inflamatorias y adenosis (agrandamiento de las glándulas productoras de leche).
"La inteligencia artificial es buena para identificar patrones complejos en imágenes y cuantificar información que los humanos tienen dificultades para detectar, complementando así la toma de decisiones clínicas"
Cuando una masa mamaria benigna se diagnostica erróneamente como un tumor maligno, generalmente se realiza una biopsia, lo que pone a la paciente en un riesgo innecesario. La interpretación correcta de las imágenes de ultrasonido se dificulta aún más cuando se tiene en cuenta la gran carga de trabajo de los especialistas médicos.
¿Podrían los algoritmos de aprendizaje profundo ser la solución a este enigma? El profesor Wen He, del Hospital Tian Tan de Beijing, cree que sí. "La inteligencia artificial es buena para identificar patrones complejos en imágenes y cuantificar información que los humanos tienen dificultades para detectar, complementando así la toma de decisiones clínicas", ha afirmado. Aunque se ha avanzado mucho en la integración de algoritmos de aprendizaje profundo en el análisis de imágenes médicas, la mayoría de los estudios en ecografía mamaria se ocupan exclusivamente de la diferenciación de diagnósticos malignos y benignos. En otras palabras, los enfoques existentes no intentan clasificar las masas mamarias en las cuatro categorías mencionadas anteriormente.
Para abordar esta limitación, el doctor He, en colaboración con científicos de 13 hospitales en China, realizó el estudio multicéntrico más grande sobre ultrasonido de mama hasta el momento en un intento de entrenar redes neuronales convolucionales (CNN) para clasificar imágenes de ultrasonido. Como se detalla en su artículo publicado en Chinese Medical Journal, los científicos recolectaron 15.648 imágenes de 3.623 pacientes y usaron la mitad de ellas para entrenar y la otra mitad para probar tres modelos diferentes de CNN.
El primer modelo solo usó imágenes de intensidad de ultrasonido 2D como entrada, mientras que el segundo modelo también incluyó imágenes Doppler de flujo en color, que brindan información sobre el flujo sanguíneo que rodea las lesiones mamarias. El tercer modelo agregó imágenes Doppler de onda pulsada, que brindan información espectral sobre un área específica dentro de las lesiones.
Este estudio muestra claramente las capacidades de los algoritmos de aprendizaje profundo como herramientas complementarias para el diagnóstico de lesiones mamarias mediante ecografía. Además, a diferencia de estudios anteriores, los investigadores incluyeron datos obtenidos utilizando equipos de ultrasonido de diferentes fabricantes, lo que sugiere la notable aplicabilidad de los modelos entrenados de CNN independientemente de los dispositivos de ultrasonido presentes en cada hospital.
En el futuro, la integración de la inteligencia artificial en los procedimientos de diagnóstico con ultrasonido podría acelerar la detección precoz del cáncer. También traería otros beneficios, como explica el doctor He: "Debido a que los modelos CNN no requieren ningún tipo de equipo especial, sus recomendaciones de diagnóstico podrían reducir las biopsias predeterminadas, simplificar la carga de trabajo de los ultrasonólogos y permitir un tratamiento específico y refinado".
"Esperemos que la inteligencia artificial encuentre pronto un hogar en el diagnóstico de imágenes por ultrasonido para que los médicos puedan trabajar de manera más inteligente, no más difícil", sentencia.