La IA puede señalar mamografías para una resonancia magnética suplementaria

Para lograr la mayor precisión de detección, las pautas internacionales recomiendan combinar la mamografía y la resonancia magnética para las mujeres con un riesgo de cáncer de mama de por vida del 20% o más según los antecedentes familiares. Sin embargo, en los Países Bajos, las mujeres con un riesgo de cáncer de mama que oscila entre el 20% y el 50% generalmente no tienen acceso a una detección adicional por resonancia magnética debido a la capacidad limitada de resonancia magnética, los altos costos de implementación y la aplicación inconsistente de los criterios de elegibilidad en la práctica clínica. Varios estudios recientes han demostrado el potencial de la inteligencia artificial (IA) para mejorar la detección del cáncer en las mamografías, incluida la detección de cánceres que pueden no ser visibles a través de las interpretaciones estándar de las mamografías por parte de los radiólogos.

Por lo tanto, la IA podría usarse para clasificar las mamografías e identificar a las mujeres que podrían beneficiarse de una resonancia magnética complementaria después de un resultado negativo según la interpretación del radiólogo. Un nuevo estudio indica que la IA puede identificar eficazmente a las mujeres con mayor riesgo de cáncer de mama dentro de una población holandesa seleccionada. El estudio, publicado en la revista Radiology, sugiere que el uso de la IA en el análisis de mamografías podría mejorar la detección del cáncer de mama al identificar a las pacientes que tienen más probabilidades de beneficiarse de las exploraciones de resonancia magnética de mama.

En este estudio retrospectivo, realizado por investigadores del Centro Médico Universitario Radboud (Radboudumc, Nijmegen, Países Bajos), se clasificó como "riesgo intermedio" a las mujeres con antecedentes personales de cáncer de mama, mamas densas, historial de lesiones de alto riesgo en biopsias o un mayor riesgo debido a antecedentes familiares, pero sin mutaciones genéticas. Los investigadores utilizaron un sistema de IA comercialmente disponible para analizar las mamografías de detección en 2D de las mujeres clasificadas como de riesgo intermedio. El objetivo era identificar a aquellas con mayor probabilidad de tener cánceres no visibles en la mamografía (cánceres mamográficamente ocultos), lo que indicaría la necesidad de una resonancia magnética complementaria. La cohorte del estudio incluyó a 1.833 mujeres consecutivas que se sometieron al menos a una resonancia magnética de detección en combinación o alternada con una mamografía entre 2003 y 2020, obtenidas de la base de datos de resonancia magnética de mama de pacientes en Radboudumc. Se excluyó a las mujeres con un riesgo de cáncer de mama a lo largo de la vida superior al 50%.

Se realizaron un total de 3.358 mamografías a 875 mujeres. De ellas, el sistema de IA procesó 2.819 (84%) de 760 mujeres (con una edad media de 48,9 años) y les asignó una puntuación de sospecha basada en casos (que oscilaba entre 0 y 10) que clasificaba la probabilidad de malignidad. El cribado combinado detectó 37 (1,3%) cánceres de mama. En 19 (51%) de estos casos, el cáncer no era visible en la mamografía. Utilizando una puntuación umbral de 5 (que permitió la detección complementaria mediante resonancia magnética para el 50% de las mujeres), el sistema de IA seleccionó 31 (84%) de los exámenes con cáncer de mama positivo para una detección adicional mediante resonancia magnética, incluido el 68% de los exámenes con cáncer de mama oculto que se había pasado por alto en la lectura inicial de los radiólogos.

"La IA podría clasificar las mamografías realizadas en el subgrupo y seleccionar a las mujeres que podrían beneficiarse de una resonancia magnética complementaria después de una mamografía negativa", dijo la autora principal del estudio, Suzanne van Winkel, RN, M.Sc. "El uso de la IA para clasificar las mamografías en poblaciones que aún no son elegibles para la resonancia magnética puede mejorar los resultados del cribado mientras reduce costos innecesarios".

Enlaces relacionados:
Radboud University Medical Center

Visitar la expo >

Radiation Therapy Treatment Software Application

Elekta ONE

Ultra-Flat DR Detector

meX+1717SCC

Radiology Software

DxWorks

Miembro Plata

X-Ray QA Meter

T3 AD Pro