El riesgo de sufrir cáncer de mama se puede calcular mediante modelos clínicos como, por ejemplo, el modelo de riesgo del Consorcio de Vigilancia del Cáncer de Mama (BCSC) de Estados Unidos, que utiliza información autodeclarada y otros datos sobre la paciente, como la edad, los antecedentes familiares de la enfermedad, si ha dado a luz o si tiene mamas densas, para calcular una puntuación de riesgo.
Los modelos de riesgo clínico dependen de la recopilación de información de diferentes fuentes, que no siempre está disponible o recopilada, pero los recientes avances en el aprendizaje profundo de IA, proporcionan la capacidad de extraer de cientos a miles de características mamográficas adicionales.
El doctor e investigador principal Vignesh A. Arasu utilizó en el estudio retrospectivo, datos asociados a mamografías 2D de cribado negativas, es decir, que no muestran evidencia visible de cáncer. Para el análisis se seleccionó una subcohorte aleatoria de 13.628 mujeres de las 324.0009 que cumplían los criterios de elegibilidad y que fueron sometidas a cribado en 2016.
Se estudiaron, además, a 4.584 pacientes del grupo de elegibilidad que fueron diagnosticadas de cáncer en los cinco años siguientes a la mamografía original en 2016 y se les hizo un seguimiento hasta 2021.
La población de estudio, señalan los autores, es representativa de las comunidades del norte de California y el periodo de estudio de cinco años se dividió en tres periodos de tiempo: riesgo de cáncer de intervalo, o cánceres incidentes diagnosticados entre 0 y 1 años; riesgo de cáncer futuro, o cánceres incidentes diagnosticados de entre uno y cinco años; y todo el riesgo de cáncer, o cánceres incidentes diagnosticados entre 0 y 5 años.
De esta forma, se generaron puntuaciones de riesgo de cáncer de mama en el periodo de cinco años mediante cinco algoritmos de IA, incluidos dos algoritmos académicos utilizados por los investigadores y tres algoritmos disponibles en el mercado. A continuación, las puntuaciones de riesgo se compararon entre sí y con la puntuación de riesgo clínico del BCSC.
Los cinco algoritmos de IA obtuvieron mejores resultados a la hora de predecir el riesgo de cáncer de mama de 0 a 5 años, un sólido rendimiento predictivo con el que la IA está identificando tanto cánceres no detectados como características del tejido mamario que ayudan a predecir el desarrollo futuro del cáncer.
En la predicción de pacientes con alto riesgo de cáncer de intervalo, algunos algoritmos de IA destacaron un cribado suplementario o imágenes de seguimiento de intervalo corto. Por otra parte, al evaluar a las mujeres con el 10% de riesgo más alto, por ejemplo, la IA predijo hasta el 28% de los cánceres, frente al 21% que predijo el BCSC.
Incluso los algoritmos de IA entrenados para horizontes temporales cortos (tan bajos como tres meses) fueron capaces de predecir el riesgo futuro de cáncer hasta cinco años cuando no se detectó clínicamente ningún cáncer mediante mamografía de cribado.
Buscan un medio preciso, eficaz y escalable de conocer el riesgo de cáncer de mama de una mujer, explica el doctor Arasu, pues los modelos de riesgo de IA basados en mamografías ofrecen ventajas prácticas sobre los modelos de riesgo clínicos tradicionales porque utilizan una única fuente de datos: la propia mamografía.
Algunas instituciones ya están utilizando la IA para ayudar a los radiólogos a detectar el cáncer en las mamografías y la puntuación del riesgo futuro de una persona, que la IA tarda segundos en generar, podría integrarse en el informe radiológico compartido con el paciente y su médico.
Se trata de una herramienta que ofrece la oportunidad de individualizar la atención de cada mujer y que puede ayudar a ofrecer una medicina personalizada y de precisión a nivel nacional
