Predicción de cáncer de mama analizando mamografías convencionales 2D y mamografías con tomosíntesis 3D

Un nuevo estudio de Google ha salido publicado en la revista Nature. Esta vez, a través de un acuerdo con Reino Unido, Google accedió a 76.000 mamografías de mujeres británicas y a 15.000 de mujeres americanas con las que entrenó a un algoritmo que puede predecir cáncer de mama mejor que los entrenados radiólogos.

¿Por qué trabajar en este examen? Porque por más que hay grandes campañas mundiales de screening de cáncer de mama, su diagnóstico sigue siendo aún complejo. Probablemente todos conozcan de algún familiar que la “mamografía le dio mal” y le tuvieron que hacer una biopsia. Ese “la mamografía le dio mal” es una impresión/predicción de un médico que analiza la imagen y tiene que tomar la decisión de biopsiar o no.

Hoy, en la interpretación humana de las mamografías, hay un espacio de mejora para evitar los:

  • Falsos positivos: cuando el médico experto dice que tiene una lesión sospechosa, biopsia y no era nada maligno.
  • Falsos negativos: cuando el médico dice que está normal y tiene una lesión que no vió. Cuando regrese al siguiente screening, el tumor habrá crecido y será más complicado el caso.

Link al estudio
https://doi.org/10.1038/s41586-019-1799-6

Entrenamiento:
Para entrenar a la Red Neuronal Convolucional con TensorFlow utilizaron las imágenes de 13.918 mujeres y para hacer el tuning utilizaron las mamografías de 62.866 mujeres. Es MUY INTERESANTE ver que el énfasis lo pusieron en el tuning (afinar)

Lo poderoso de este estudio es que tuvo una validación con 2 datasets muy buenos. Uno de Reino Unido que tenía 25.856 pacientes que fueron seguidas con screening cada 3 años y con toma de biopsia cuando había lesiones, y otra base de USA de 3.097 mujeres que también habían sido seguidas minuciosamente para la detección de cáncer de mama.

La evaluación de la predicción del algoritmo se hizo sobre las mujeres biopsiadas, así que había un excelente Gold Standard si lo biopsiado había sido, o no, una lesión maligna.

Esto generó un algoritmo con un muy buen nivel de VALOR PREDICTIVO POSITIVO (85,6%) y NEGATIVO (99,99%).

¿Cuál fue el resultado?

El AUC del agoritmo fue de 0,889 (test bueno)

AUC = Área bajo la curva (AREA UNDER THE CURVE)

  • Menos de 0,5: Es como lanzar una moneda.
  • Entre 0,5 y 0,6: Test malo.
  • Entre 0,6 y 0,75: Test regular.
  • Entre 0,75 y 0,9: Test bueno.
  • Entre 0.9 y 0.97: Test muy bueno.
  • Más de 0.97: Test excelente.

¿Qué impacto tiene en la prácica clínica?
La implementación de este algoritmo es para asisitr al experto radiólogo o mastólogo en la interpretación de la mamografía que está viendo. El objetivo es que la imagen sea evaluada por el algoritmo y que le presente al radiólogo/mastólogo una lesión que considera maligna y el grado de predicción de malignidad. Su implementación podría disminuir 5,7% los falsos positivos (y no se tomaría biopsias que no son necesiarias) y un 9,2% los falsos negativos (no se escaparían ese número de cánceres)

¿Tienes interés de obtener la base de datos de mamografías para entrenar tus propios algoritmos? Puedes solicitarla en este link
https://medphys.royalsurrey.nhs.uk/omidb/getting-access/