Investigadores del MIT y del Hospital General de Massachusetts han desarrollado un modelo automatizado que evalúa el tejido mamario denso en mamografías, que es un factor de riesgo independiente para el cáncer de mama, de manera tan confiable como los radiólogos expertos.
Según los investigadores, esta es la primera vez que un modelo de aprendizaje profundo de este tipo se ha utilizado con éxito en una clínica en pacientes reales. Con una implementación amplia, los investigadores esperan que el modelo pueda ayudar a brindar una mayor confiabilidad a las evaluaciones de densidad mamariala Nación.
Se estima que más del 40 por ciento de las mujeres de EE. UU. Tienen tejido mamario denso, lo que solo aumenta el riesgo de cáncer de seno. Además, el tejido denso puede enmascarar los cánceres en la mamografía, lo que dificulta la detección. Como resultado, 30 estados de EE. UU. Exigenque las mujeres deben ser notificadas si sus mamografías indican que tienen senos densos.
Pero las evaluaciones de densidad mamaria se basan en evaluaciones humanas subjetivas. Debido a muchos factores, los resultados varían, a veces dramáticamente, entre los radiólogos. Los investigadores del MIT y MGH entrenaron un modelo de aprendizaje profundo en decenas de miles de mamografías digitales de alta calidad paraaprenda a distinguir diferentes tipos de tejido mamario, desde grasos hasta extremadamente densos, según las evaluaciones de expertos. Dada una nueva mamografía, el modelo puede identificar una medición de densidad que se alinee estrechamente con la opinión de expertos.
"La densidad de los senos es un factor de riesgo independiente que impulsa la forma en que nos comunicamos con las mujeres acerca de su riesgo de cáncer. Nuestra motivación fue crear una herramienta precisa y consistente, que se pueda compartir y utilizar en todos los sistemas de atención médica", dice el segundo autor Adam Yala, estudiante de doctorado en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial CSAIL del MIT.
Los otros coautores son el primer autor Constance Lehman, profesor de radiología en la Escuela de Medicina de Harvard y el director de imágenes mamarias en el MGH; y la autora principal Regina Barzilay, la profesora de Delta Electronics en CSAIL y el Departamento de Ingeniería Eléctrica y ComputaciónCiencia en el MIT.
densidad de mapeo
El modelo se basa en una red neuronal convolucional CNN, que también se utiliza para tareas de visión por computadora. Los investigadores entrenaron y probaron su modelo en un conjunto de datos de más de 58,000 mamografías seleccionadas al azar de más de 39,000 mujeres examinadas entre 2009 y2011. Para capacitación, usaron alrededor de 41,000 mamografías y, para las pruebas, alrededor de 8,600 mamografías.
Cada mamografía en el conjunto de datos tiene una calificación estándar de densidad mamaria del Sistema de Informes y Datos de Imágenes de Senos BI-RADS en cuatro categorías: graso, disperso densidad dispersa, heterogéneo mayormente denso y denso. Tanto en entrenamiento como en pruebas.mamografías, aproximadamente el 40 por ciento fueron evaluadas como heterogéneas y densas.
Durante el proceso de capacitación, el modelo recibe mamografías aleatorias para analizar. Aprende a mapear la mamografía con clasificaciones de densidad de radiólogos expertos. Los senos densos, por ejemplo, contienen tejido conectivo glandular y fibroso, que aparecen como redes compactas de gruesas líneas blancasy parches blancos sólidos. Las redes de tejido graso parecen mucho más delgadas, con área gris en todas partes. En las pruebas, el modelo observa nuevas mamografías y predice la categoría de densidad más probable.
evaluaciones coincidentes
El modelo se implementó en la división de imágenes mamarias de MGH. En un flujo de trabajo tradicional, cuando se toma una mamografía, se envía a una estación de trabajo para que un radiólogo la evalúe. El modelo de los investigadores se instala en una máquina separada que intercepta los escáneresantes de que llegue al radiólogo y asigne a cada mamografía una clasificación de densidad. Cuando los radiólogos realicen un escaneo en sus estaciones de trabajo, verán la clasificación asignada del modelo, que luego aceptarán o rechazarán.
"Tarda menos de un segundo por imagen ... [y se puede] escalar fácil y económicamente en todos los hospitales", dice Yala.
En más de 10,000 mamografías en MGH de enero a mayo de este año, el modelo logró un acuerdo del 94 por ciento entre los radiólogos del hospital en una prueba binaria, determinando si los senos eran heterogéneos y densos, o grasos y dispersos.-RADS categorías, coincidió con las evaluaciones de los radiólogos en un 90 por ciento. "MGH es un centro de imágenes de mama con un alto acuerdo interradiólogo, y este conjunto de datos de alta calidad nos permitió desarrollar un modelo sólido", dice Yala.
En las pruebas generales con el conjunto de datos original, el modelo coincidió con las interpretaciones de expertos humanos originales en un 77 por ciento en cuatro categorías de BI-RADS y, en pruebas binarias, coincidió con las interpretaciones en un 87 por ciento.
En comparación con los modelos de predicción tradicionales, los investigadores utilizaron una métrica llamada puntaje kappa, donde 1 indica que las predicciones coinciden cada vez, y cualquier cosa menor indica menos instancias de acuerdos. Los puntajes Kappa para los modelos de evaluación automática de densidad disponibles comercialmente obtienen un puntaje máximode aproximadamente 0,6. En la aplicación clínica, el modelo de los investigadores obtuvo una puntuación de 0,85 kappa y, en las pruebas, obtuvo una puntuación de 0,67. Esto significa que el modelo hace mejores predicciones que los modelos tradicionales.
En un experimento adicional, los investigadores probaron el acuerdo del modelo con el consenso de cinco radiólogos de MGH de 500 mamografías de prueba aleatorias. Los radiólogos asignaron densidad mamaria a las mamografías sin conocer la evaluación original, o las evaluaciones de sus pares o del modelo.En este experimento, el modelo logró una puntuación kappa de 0,78 con el consenso del radiólogo.
A continuación, los investigadores apuntan a escalar el modelo a otros hospitales. "Sobre la base de esta experiencia traslacional, exploraremos cómo hacer la transición de los algoritmos de aprendizaje automático desarrollados en el MIT a la clínica que benefician a millones de pacientes", dice Barzilay. "carta del nuevo centro en el MIT, la Clínica Abdul Latif Jameel para Aprendizaje Automático en Salud en el MIT, que se lanzó recientemente. Y estamos entusiasmados con las nuevas oportunidades que ofrece este centro ".
Fuente de la historia :
Materiales proporcionado por Instituto de Tecnología de Massachusetts . Original escrito por Rob Matheson. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :