Una herramienta de aprendizaje automático puede ayudar a identificar qué lesiones mamarias de alto riesgo pueden volverse cancerosas, según un nuevo estudio que aparece en línea en la revista radiología . Los investigadores dijeron que la tecnología tiene el potencial de reducir cirugías innecesarias.
Las lesiones mamarias de alto riesgo son lesiones diagnosticadas con biopsia que conllevan un mayor riesgo de desarrollar cáncer. Debido a ese riesgo, la extirpación quirúrgica suele ser la opción de tratamiento preferida. Sin embargo, muchas lesiones de alto riesgo no representan una amenaza inmediata parala vida del paciente y puede monitorearse de manera segura con imágenes de seguimiento, ahorrando a los pacientes los costos y las complicaciones asociadas con la cirugía.
"Existen diferentes tipos de lesiones de alto riesgo", dijo la autora y radióloga del estudio Manisha Bahl, MD, MPH, del Hospital General de Massachusetts MGH y la Escuela de Medicina de Harvard, ambas en Boston ". La mayoría de las instituciones recomiendan la escisión quirúrgica para pacientes de alto riesgo.de alto riesgo, como la hiperplasia ductal atípica, para la cual el riesgo de actualización a cáncer es de alrededor del 20 por ciento. Para otros tipos de lesiones de alto riesgo, el riesgo de actualización varía bastante en la literatura y el manejo del paciente, incluida la decisiónacerca de si eliminar o examinar la lesión, varía según las prácticas "
El Dr. Bahl y sus colegas de MGH estudiaron el uso de una herramienta de aprendizaje automático para identificar lesiones de alto riesgo que tienen un riesgo bajo de convertirse en cáncer. El estudio fue el resultado de una estrecha colaboración entre investigadores del Instituto de Tecnología de Massachusetts MIT Laboratorio de Ciencias de la Computación e Inteligencia Artificial en Cambridge, Massachusetts, y expertos en imágenes mamarias en MGH.
"Debido a que las herramientas de diagnóstico son inexactas, existe una tendencia comprensible para que los médicos realicen un examen de detección de cáncer de seno", dijo la coautora Regina Barzilay, Ph.D., profesora de electrónica eléctrica y ciencias de la computación de Delta Electronics en el MIT ".existe tanta incertidumbre en los datos, el aprendizaje automático es exactamente la herramienta que necesitamos para mejorar la detección y evitar el sobretratamiento ".
El aprendizaje automático es un tipo de inteligencia artificial en el que un modelo aprende y mejora automáticamente en función de experiencias anteriores. El modelo desarrollado por investigadores analizó factores de riesgo tradicionales como la edad del paciente y la histología de la lesión, junto con varias características únicas, incluidas las palabras que aparecenen el texto del informe de patología de biopsia. Los investigadores entrenaron el modelo en un grupo de pacientes con lesiones de alto riesgo comprobadas por biopsia que se sometieron a cirugía o al menos dos años de seguimiento por imágenes. De las 1.006 lesiones de alto riesgo identificadas,115, o el 11 por ciento, se convirtieron en cáncer.
Después de entrenar el modelo de aprendizaje automático en dos tercios de las lesiones de alto riesgo, los investigadores lo probaron en las 335 lesiones restantes. El modelo predijo correctamente 37 de las 38 lesiones, o el 97 por ciento, que se convirtieron en cáncer.Los investigadores también encontraron que el uso del modelo habría ayudado a evitar casi un tercio de las cirugías benignas.
El modelo de aprendizaje automático identificó los términos "severamente" y "severamente atípicos" en el texto de los informes de patología como asociados con un mayor riesgo de actualización al cáncer.
"Nuestro estudio proporciona 'prueba de concepto' de que el aprendizaje automático no solo puede disminuir la cirugía innecesaria en casi un tercio en esta población de pacientes específica, sino que también puede respaldar enfoques más específicos y personalizados para la atención al paciente", dijo el autor principal del artículo, Constance Lehman, MD, Ph.D., profesora en la Facultad de Medicina de Harvard y directora de imágenes mamarias en MGH.
"Nuestro objetivo es aplicar la herramienta en entornos clínicos para ayudar a tomar decisiones más informadas sobre qué pacientes serán encuestados y cuáles pasarán a cirugía", agregó el Dr. Bahl. "Creo que podemos capitalizar el aprendizaje automático parainformar la toma de decisiones clínicas y finalmente mejorar la atención al paciente ".
Fuente de la historia :
Materiales proporcionado por Sociedad Radiológica de América del Norte . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :