Mejorar la detección del cáncer de mama con IA

En el laboratorio AI for Good de Microsoft, trabajamos con socios de la Universidad de Washington, el Centro Oncológico Fred Hutchinson y otras instituciones para explorar si la inteligencia artificial puede ayudar a brindar mayor claridad, precisión y confianza a la detección del cáncer de mama.

Esta semana, nuestro equipo de investigación conjunto publicó los resultados de un nuevo estudio publicado en Radiology, que detalla un enfoque prometedor de IA que tiene como objetivo no solo detectar el cáncer, sino hacerlo de una manera en la que los radiólogos puedan confiar y los pacientes puedan entender.

Los desafíos con la detección actual del cáncer de mama

El cáncer de mama es el cáncer más común entre las mujeres en todo el mundo. Solo en los Estados Unidos, una de cada ocho mujeres será diagnosticada con cáncer de mama en su vida. La detección temprana a través de la detección es la herramienta más poderosa disponible para salvar vidas, con una reducción del 20% al 40% en la mortalidad de las mujeres de 50 a 69 años, pero todavía es una ciencia imperfecta.

La resonancia magnética (RM) es una de las herramientas de detección más sensibles disponibles, en especial para las mujeres con mayor riesgo. Pero a pesar de toda su sensibilidad, la resonancia magnética tiene serias compensaciones: altas tasas de falsos positivos, ansiedad mucho mayor para los pacientes y biopsias innecesarias. El problema es en especial agudo para casi el 50% de las mujeres que tienen tejido mamario denso, una afección que no solo aumenta el riesgo de cáncer de mama, sino que también dificulta la detección de anomalías a través de métodos de imagen tradicionales como las mamografías.

Con demasiada frecuencia, estos desafíos se traducen en una ecuación preocupante: más exploraciones, más incertidumbre y más procedimientos de seguimiento que resultan innecesarios. De hecho, solo una pequeña fracción, menos del 5%, de las mujeres que se someten a una resonancia magnética de mama al final son diagnosticadas con cáncer.

Un modelo más inteligente, construido para el mundo real

El modelo, llamado FCDD (por sus siglas en inglés, descripción de datos totalmente convolucional), se basa en la detección de anomalías en lugar de la clasificación estándar. Ese es un cambio importante. En lugar de tratar de aprender cómo se ven todos los cánceres posibles, el modelo aprende cómo se ven las exploraciones mamarias normales y señala cualquier cosa que se desvíe.

Este enfoque es en particular efectivo en entornos de detección del mundo real donde el cáncer es raro y las anomalías son muy variadas. A través de un conjunto de datos de más de 9,700 exámenes de resonancia magnética de mama, el modelo se probó en escenarios de alta y baja prevalencia, incluidas poblaciones de detección realistas donde solo el 1.85% de las exploraciones contenían cáncer.

Esto es lo que encontramos:

• Mayor precisión en poblaciones de baja prevalencia: FCDD superó a los modelos tradicionales de IA en la identificación de neoplasias malignas al tiempo que redujo drásticamente los falsos positivos. En entornos similares a la detección, logró el doble del valor predictivo positivo de los modelos estándar y redujo las falsas alarmas en más del 25%.
• Explicabilidad excepcional: A diferencia de la mayoría de los modelos de IA, FCDD no solo da un “sí” o un “no”, sino que genera mapas de calor que resaltan visualmente la ubicación sospechosa del tumor en la proyección de resonancia magnética bidimensional. Estos mapas explicativos coincidieron con las anotaciones retrospectivas de radiólogos expertos con una precisión del 92% (AUC en píxeles), lo que supera con creces a otros modelos.
• Generalizabilidad entre instituciones: Sin volver a entrenar, el modelo mantuvo un alto rendimiento en un conjunto de datos externo disponible a nivel público y un conjunto de datos interno independiente, lo que sugiere un gran potencial para una adopción clínica más amplia.

Hacer que la IA sea impactante, no solo impresionante

Este modelo es más que un logro técnico. Es un paso para hacer que la IA sea útil en los flujos de trabajo clínicos, para brindar soporte de triaje, reducir el tiempo dedicado a casos normales y enfocar la atención de los radiólogos donde más importa. Al mejorar la especificidad en umbrales de alta sensibilidad (95-97%), el modelo podría ayudar a reducir las devoluciones de llamadas y biopsias innecesarias, lo que alivia las cargas emocionales y financieras de los pacientes.

Es importante destacar que el código y la metodología se han abierto a la comunidad investigadora. Pueden explorar el proyecto aquí: GitHub Repository y el documento aquí.

Al igual que con toda la IA en el cuidado de la salud, el camino hacia el impacto requiere más que algoritmos. Requiere confianza. La confianza se construye no solo por las métricas de rendimiento, sino también por la transparencia, la interpretabilidad y una comprensión clara del contexto clínico en el que se implementan estas herramientas.

A dónde vamos desde aquí

Todavía tenemos trabajo por delante. El modelo deberá probarse de manera prospectiva en poblaciones clínicas más grandes y diversas. Pero los resultados son prometedores y marcan un cambio importante en la forma en que pensamos sobre el papel de la IA en la medicina. En lugar de pedirles a los médicos que confíen en una caja negra, construimos modelos que arrojan luz sobre lo que ven y por qué.

“Somos muy optimistas sobre el potencial de este nuevo modelo de IA, no solo por su mayor precisión sobre otros modelos en la identificación de regiones cancerosas, sino también por su capacidad para hacerlo a través de solo datos mínimos de imágenes de cada examen. Es importante destacar que esta herramienta de IA se puede aplicar a exámenes de resonancia magnética de mama abreviados con contraste, así como a protocolos de diagnóstico completos, lo que también puede ayudar a acortar tanto los tiempos de exploración como los tiempos de interpretación”, dijo Savannah Partridge, profesora de radiología en la Universidad de Washington y autora principal del estudio. “Estamos entusiasmados de dar los siguientes pasos para evaluar su utilidad para mejorar el rendimiento de los radiólogos y los flujos de trabajo clínicos”.

La IA no reemplazará a los radiólogos. Pero con el diseño y la supervisión correctos, puede brindarles herramientas más nítidas y señales más claras para aumentar la confianza en la evaluación de casos difíciles.

El cáncer de mama es un desafío global. Con la IA, tenemos la oportunidad de detectarla antes, reducir las intervenciones innecesarias y, en última instancia, salvar más vidas. Ese es un futuro hacia el que vale la pena construir: un píxel, un escaneo y un avance a la vez.