Algoritmo de IA tan bueno como lectores humanos en mamografías de detección

Las mamografías de detección, si bien son valiosas, pueden no detectar todos los casos de cáncer de mama. Los resultados falsos positivos pueden dar lugar a imágenes y biopsias innecesarias en mujeres sin cáncer. Un enfoque para mejorar la sensibilidad y especificidad de la mamografía de detección es hacer que dos lectores interpreten cada mamografía. Se ha demostrado que la doble lectura aumenta las tasas de detección de cáncer entre un 6 y un 15 % manteniendo bajas las tasas de recuperación. Sin embargo, implementar esta estrategia puede resultar desafiante durante períodos de escasez de lectores debido a su naturaleza intensiva en mano de obra. Ahora, un estudio comparativo del rendimiento de un algoritmo de inteligencia artificial (IA) con lectores humanos de mamografías de detección sugiere que la IA puede proporcionar una sensibilidad y especificidad comparables a los lectores humanos, lo que podría servir como un segundo lector valioso en la práctica clínica.

Investigadores de la Universidad de Nottingham (Nottingham, Reino Unido) utilizaron una evaluación estandarizada para determinar el rendimiento de un algoritmo de IA disponible comercialmente en comparación con lectores humanos al interpretar mamografías de detección. La evaluación utilizó conjuntos de pruebas de la evaluación de control de calidad del Rendimiento Personal en Detección Mamográfica (PERFORMS por sus siglar en inglés), un programa empleado por el Programa de Detección Mamaria del Servicio Nacional de Salud del Reino Unido (NHSBSP). Los conjuntos de pruebas PERFORMS constan de 60 exámenes mamográficos desafiantes, incluidos casos con hallazgos anormales, benignos y normales. La evaluación de cada lector de una mamografía de prueba se comparó con los resultados reales de la IA. El estudio empleó datos de dos conjuntos de pruebas PERFORMS consecutivos, con un total de 120 mamografías de detección, para la evaluación tanto de lectores humanos como del algoritmo de IA.

El equipo de investigación comparó el desempeño del algoritmo de IA con el de 552 lectores humanos, incluidos 315 (57 %) radiólogos certificados y 237 lectores no radiólogos, incluidos 206 radiógrafos y 31 médicos especialistas en mama. Cada mama en el estudio se consideró individualmente, con el 67 % categorizada como normal (161/240), el 29 % como maligna (70/240) y el 4 % como benigna (9/240). La característica mamográfica maligna más común observada fueron masas (64,3 %), seguidas de calcificaciones (12,9 %), asimetrías (11,4 %) y distorsiones arquitectónicas (11,4 %). El tamaño medio de las lesiones malignas midió 15,5 mm. El estudio encontró que no hubo diferencias significativas en el desempeño de la IA y los lectores humanos en la detección del cáncer de mama en los 120 exámenes. Los lectores humanos demostraron una sensibilidad media del 90 % y una especificidad del 76 %, mientras que la IA mostró una sensibilidad (91 %) y especificidad (77 %) comparables en comparación con los lectores humanos.

"Los resultados de este estudio proporcionan pruebas sólidas que respaldan que la IA para la detección del cáncer de mama puede funcionar tan bien como los lectores humanos", afirmó Yan Chen, Ph.D., profesora de detección digital en la Universidad de Nottingham. "Es vital que los centros de imágenes cuenten con un proceso para proporcionar un seguimiento continuo de la IA una vez que se convierta en parte de la práctica clínica. Hasta la fecha, no hay otros estudios que hayan comparado el desempeño de un número tan grande de lectores humanos en conjuntos de pruebas de control de calidad de rutina con la IA, por lo que este estudio puede proporcionar un modelo para evaluar el desempeñol de la IA en un entorno del mundo real".

Enlaces relacionados:
Universidad de Nottingham  

Visitar la expo >

Ultrasonic Pocket Doppler

SD1

Portable Color Doppler Ultrasound Scanner

DCU10

Ultrasound-Guided Biopsy & Visualization Tools

Endoscopic Ultrasound (EUS) Guided Devices

New

Breast Localization System

MAMMOREP LOOP