Sistema de inteligencia artificial reduce el hallazgo de falsos positivos en la interpretación de exámenes de ultrasonido de mama

0
4
Sistema de inteligencia artificial reduce el hallazgo de falsos positivos en la interpretación de exámenes de ultrasonido de mama

Linda Moy, MD, Center for Advanced Imaging Innovation and Research with NYU Langone Health Center for Advanced Imaging Innovation and Research (CAI2R) presentó los hallazgos de un ensayo clínico que usó inteligencia artificial (IA) en un esfuerzo por reducir los falsos positivos en la ecografía mamaria. ), durante RSNA 2021. Moy, líder en IA de radiología, también es profesor de radiología en la Escuela de Medicina Grossman de la NYU y miembro del Centro de Cáncer Perlmutter.

Dirigido por investigadores del Departamento de Radiología de NYU Langone Health y su Centro de Cáncer Laura e Isaac Perlmutter, se cree que el análisis de IA del equipo es el más grande de su tipo.

Además de Moy, quien se desempeñó como co-investigador del estudio, el estudio fue realizado por el siguiente equipo: el investigador principal Krzysztof J. Geras, PhD, los investigadores co-líderes Yiqiu “Artie” Shen, Farah Shamout y Jamie Oliver; y co-investigadores Jan Witowski, Kawshik Kannan, Jungkyu Park, Nan Wu, Connor Huddleston, Stacey Wolfson, Alexandra Millet, Robin Ehrenpreis, Divya Awal, Cathy Tyma, Naziya Samreen, Yiming Gao, Chloe Chhor, Stacey Gandhi, Cindy Lee, Sheila Kumari-Subaiya, Cindy Leonard, Reyhan Mohammed, Christopher Moczulski, Jaime Altabet, James Babb, Alana Lewin, Beatriu Reig y Laura Heacock.

El estudio, publicado en la revista Nature Communications (24 de septiembre de 2021), con el apoyo de la Fundación Nacional de Ciencias de EE. UU. (NSF), ofreció esta descripción general:

Los investigadores que trabajan en una iniciativa respaldada por la Fundación Nacional de Ciencias de EE. UU. entrenaron a la IA para identificar el cáncer de mama utilizando datos obtenidos de ultrasonidos realizados previamente. La herramienta de IA aumentó significativamente los diagnósticos precisos.

“Si nuestros esfuerzos por utilizar el aprendizaje automático como una herramienta de clasificación para los estudios de ultrasonido resultan exitosos, el ultrasonido podría convertirse en una herramienta más eficaz en la detección del cáncer de mama, especialmente como una alternativa a la mamografía, y para las personas con tejido mamario denso”, dijo Moy. “Su impacto futuro en la mejora de la salud de los senos de las mujeres podría ser profundo”, agregó. El resumen del estudio se presenta aquí.

Las imágenes de ultrasonido del seno muestran cáncer (a la izquierda, como una mancha oscura en el centro y, a la derecha, en rojo, como lo resalta una computadora). Imagen cortesía de Nature Communications

Resumen:

El ultrasonido es una modalidad de imagen importante para la detección y caracterización del cáncer de mama. Aunque se ha demostrado sistemáticamente que detecta cánceres ocultos en la mamografía, se ha observado que la ecografía mamaria tiene altas tasas de falsos positivos.

En este trabajo, se presenta un sistema de IA que logra una precisión de nivel de radiólogo para identificar el cáncer de mama en imágenes de ultrasonido.

Desarrollada en 288 767 exámenes, que consta de 5 442 907 imágenes Doppler en color y en modo B, la IA logra un área bajo la curva característica operativa del receptor (AUROC) de 0,976 en un conjunto de prueba que consta de 44 755 exámenes. En un estudio retrospectivo de lectores, el AI logra un AUROC más alto que el promedio de diez radiólogos de mama certificados por la junta (AUROC: 0,962 AI, 0,924 ± 0,02 radiólogos). Con la ayuda de la IA, los radiólogos disminuyen sus tasas de falsos positivos en un 37,3 % y reducen las biopsias solicitadas en un 27,8 %, manteniendo el mismo nivel de sensibilidad. Esto destaca el potencial de la IA para mejorar la precisión, la coherencia y la eficiencia del diagnóstico por ecografía mamaria.

Materiales y Métodos—Modelo

• Desarrollé un sistema de IA usando una DCNN capacitada en un clasificador de seguros múltiple con conocimiento global

• Modelo poco supervisado que identificaba automáticamente lesiones malignas y benignas sin necesidad de anotaciones manuales por parte de los radiólogos

• La patología se utilizó como patrón de referencia

• Detalles del preprocesamiento, etiquetado, anotación y verificación de datos de ib

• El conjunto de datos se dividió a nivel de paciente en capacitación (60 %), validación (10 %) y bases de datos de prueba (30 %).

Conjunto de datos de ultrasonido de mama de NYU

• El sistema de IA se entrenó utilizando un conjunto de datos interno de 288 767 exámenes de ultrasonido con un total de 5 442 907 imágenes adquiridas de 143 203 pacientes entre 2012 y 2019

• 20 centros de imágenes que realizan exámenes de ultrasonido de detección y diagnóstico

• 28,914 de estos exámenes se asociaron con al menos un procedimiento de biopsia

• 5,593 de los cuales tenían biopsias que arrojaron hallazgos malignos.

Resultados

• En un conjunto de prueba de 44 755 exámenes, el sistema de IA logró un AUC de 0,976 para identificar exámenes con tumores malignos

• Entre los 663 exámenes de estudio de lectores, el sistema de IA tuvo un AUC de 0,962, superando el promedio de diez radiólogos (0,924 +/- 0,02). p<0,001

• A la sensibilidad del radiólogo promedio (90,1 %), el sistema de IA tuvo una mayor especificidad (85,6 % frente a 80,7 %, p<0,001)

• El sistema de IA recomendó menos biopsias (19,8% vs. 24,3%) p<0,001.

Estudio del Lector—Modelo Híbrido

• Los modelos híbridos mejoraron el AUC del radiólogo de 0,929 a 0,960

• A los niveles de sensibilidad del radiólogo, los modelos híbridos:

• Aumento de la especificidad promedio del radiólogo del 80,7 % al 88,4 % (p<0,001)

• Aumento del VPP del radiólogo del 27,1 % al 39,2 % (p<0,001

• Los modelos híbridos redujeron la tasa promedio de biopsias del 24,3 % al 17,2 % (p<0,001)

• La reducción de biopsias con los modelos híbridos representó el 29,4% de todas las biopsias recomendadas.

Conclusión

• El sistema de IA detectó y diagnosticó el cáncer en la ecografía mamaria con una precisión que supera la de los radiólogos experimentados certificados por la junta

• El apoyo a la decisión de la IA redujo las biopsias innecesarias

• Los modelos híbridos de toma de decisiones pueden mejorar potencialmente el rendimiento de los lectores de imágenes mamarias sin el costo adicional de un segundo lector humano

• El sistema podría aprovecharse para apoyar la toma de decisiones donde hay escasez de radiólogos.

La conclusión del estudio ofreció la perspectiva del investigador sobre futuras aplicaciones clínicas y el impacto de los peajes de inteligencia artificial en el esfuerzo por mejorar la precisión de las imágenes del cáncer de mama.
En él, los autores ofrecieron esto sobre sus hallazgos:

“En conclusión, examinamos el potencial de la IA en la evaluación de exámenes de EE. UU. Demostramos en un estudio de lectores que los modelos de aprendizaje profundo entrenados con una cantidad suficientemente grande de datos pueden producir diagnósticos tan precisos como los radiólogos experimentados. Además, demostramos que la colaboración entre AI y los radiólogos puede mejorar significativamente su especificidad y obviar el 27,8% de las biopsias solicitadas. Creemos que esta investigación podría complementar los enfoques futuros para el diagnóstico del cáncer de mama. Además, el enfoque general empleado en nuestro trabajo, principalmente el marco para la clasificación y localización poco supervisada, puede permitir la utilización del aprendizaje profundo en tareas similares de análisis de imágenes médicas”.

Sistema de Inteligencia Artificial para Triage Automatizado de Exámenes de Ultrasonido de Mama

A continuación se muestra una instantánea clínica de un segundo estudio presentado por Linda Moy, MD, durante la sesión de RSNA 2021: “Imágenes mamarias: ecografía mamaria avanzada”.

Los autores incluyeron a Jamie Oliver, BA, Beatrice Reig, MD, MPH, Yiming Gao, MD, Alan Lewin, MD, Linda Moy, MD, Laura Heacock, MD.

Suposición: Un modelo DL capacitado para clasificar los exámenes de ultrasonido de mama como libres de cáncer puede mejorar la eficiencia y especificidad del radiólogo sin comprometer la sensibilidad.

Objetivo: Entrenar un sistema de inteligencia artificial para clasificar exámenes de mama con el objetivo de reasignar el tiempo de los radiólogos hacia exámenes con alta sospecha de malignidad.

Materiales y métodos—Conjunto de datos

El sistema de IA se entrenó utilizando un conjunto de datos interno de 288 767 exámenes de ultrasonido con 5 442 907 imágenes totales adquiridas de 143 203 pacientes entre 2012 y 2019.

• 20 centros de imágenes que realizan exámenes de ultrasonido de detección y diagnóstico

• 28,914 de estos exámenes se asociaron con al menos un procedimiento de biopsia

• 5,593 de los cuales tenían biopsias que arrojaron hallazgos malignos

Resultados

• En una prueba de 44.755 exámenes, el sistema de IA logró un AUC de 0,96 identificando exámenes con lesiones malignas

• Cuando el sistema de clasificación evaluó 3553 exámenes que originalmente se evaluaron como B1-RADS 3, reclasificó el 60 %, 70 % y 80 % de los exámenes con los puntajes AI más bajos como benignos sin pasar por alto ninguna malignidad.

• El sistema de IA puede obviar la necesidad de imágenes de seguimiento

Discusión

• Usando un umbral de sensibilidad alto, nuestro modelo DL puede funcionar como un sistema independiente

• Triaje del 60 al 80 % de los exámenes de ultrasonido de mama de la lista de trabajo del radiólogo, con una tasa de falsos negativos del 0,008 al 0,03 %.

• Utilizando un umbral de sensibilidad alto, nuestro modelo DL colocó 978 (2,2 %) exámenes en un flujo de trabajo de evaluación mejorado, con un PPV alto del 69,6 %.

Relevancia clínica

• El soporte de decisiones de IA redujo las biopsias innecesarias y los exámenes de seguimiento

• El sistema podría aprovecharse para apoyar la toma de decisiones donde hay escasez de radiólogos.

LEAVE A REPLY

Please enter your comment!
Please enter your name here