Desarrollan un modelo de aprendizaje automático que identifica biomarcadores de imágenes en mamografías  para predecir el riesgo  de desarrollar cáncer de mama.

Los investigadores del Hospital General de Massachusetts (MGH) han desarrollado un modelo de aprendizaje a través del machine learning que identifica biomarcadores de imágenes en mamografías de detección para predecir el riesgo de una paciente de desarrollar cáncer de mama. Y poder hacerlo con mayor precisión que las herramientas tradicionales de evaluación de riesgos.

Los modelos de evaluación de riesgos actualmente disponibles incorporan solo una pequeña fracción de los datos del paciente, como antecedentes familiares, biopsias de mama previas y antecedentes hormonales y reproductivos. Solo una característica de la mamografía de detección en sí, la densidad mamaria, se incorpora a los modelos tradicionales.

Análisis estadístico

El estudio incluyó 245,753 mamografías de detección bilaterales digitales bidimensionales consecutivas realizadas en 80,818 pacientes entre 2009 y 2016. Del total de mamografías, se utilizaron 210,819 exámenes en 56,831 pacientes para capacitación, 25,644 exámenes de 7,021 pacientes para pruebas y 9,290 exámenes de 3961 pacientes para validación .

Mediante análisis estadístico, los investigadores compararon la precisión del modelo de solo imágenes de aprendizaje profundo con un modelo de evaluación de riesgos disponible para predecir el cáncer de mama futuro dentro de los cinco años posteriores a la mamografía índice. El modelo de aprendizaje profundo logró una tasa predictiva de 0,71, superando significativamente al modelo de riesgo tradicional, que alcanzó una tasa de 0,61.

«¿Por qué deberíamos limitarnos sólo a la densidad de los senos cuando hay datos digitales tan ricos integrados en la mamografía de cada mujer?«, afirma la autora principal Constance D. Lehman, M.D., Ph.D., jefa de división de imágenes de mama en MGH. «La mamografía de cada mujer es única para ella al igual que su huella digital. Contiene biomarcadores de imágenes que son altamente predictivos del riesgo futuro de cáncer, pero hasta que no tuviéramos las herramientas de aprendizaje profundo, no pudimos extraer esta información para mejorar la atención al paciente», añade.