Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

Profundamente el aprendizaje ofrece un mejor presupuesto del riesgo del cáncer de pecho

Comparado con factores de riesgo clínicos de uso general, un tipo sofisticado de inteligencia artificial (AI) llamado aprendizaje profundo hace un mejor trabajo que distingue entre los mamogramas de las mujeres que desarrollarán más adelante el cáncer de pecho y los que no, según un nuevo estudio en la radiología del gorrón. Los investigadores dijeron el potencial de las conclusión del AI del caracter de subrayado como segundo programa de lectura para los radiólogos que pueden reducir proyección de imagen innecesaria y costos asociados.

La mamografía anual se recomienda para las mujeres que comienzan a la edad de 40 años a revisar para el cáncer de pecho. La investigación ha mostrado que el blindaje de mamografía baja mortalidad del cáncer de pecho reduciendo la incidencia del cáncer avanzado.

Los mamogramas no sólo ayudan a descubrir el cáncer pero también a ofrecer una dimensión del riesgo del cáncer de pecho con mediciones de la densidad del pecho. Mientras que pechos más densos en mamografía se asocian a un riesgo más alto del cáncer, hay otro, con todo desconocido, los factores ocultados en el mamograma que contribuyen probablemente al riesgo.

Los métodos convencionales de evaluación de riesgos del cáncer de pecho usando factores de riesgo clínicos no han sido ése efectivo. Pensamos que había más en la imagen que apenas la densidad del pecho que sería útil para fijar riesgo.”

Juan A. Shepherd, Ph.D., autor importante del estudio, profesor e investigador en las ciencias de la población en el programa pacífico (epidemiología) en la universidad del centro del cáncer de Hawaii en Honolulu

Para el nuevo estudio, el Dr. Shepherd y los colegas utilizaron un conjunto de datos de más de 25.000 mamografías de cribado digitales a partir de 6.369 mujeres que participaron en mamografía de la investigación. Más de 1.600 de las mujeres desarrolladas investigación-descubrieron el cáncer de pecho, y 351 desarrollaron el cáncer de pecho invasor del intervalo.

Los investigadores entrenaron al modelo de aprendizaje profundo para encontrar los detalles, o las señales, en el mamograma que se pudo conectar al riesgo de cáncer creciente. Cuando probaron el modelo aprender-basado profundo, underperformed en fijar los factores de riesgo para el riesgo de cáncer del intervalo, pero superó factores de riesgo clínicos incluyendo densidad del pecho en la determinación de riesgo de cáncer investigación-descubierto.

“Los resultados mostraron que la señal extra que estamos consiguiendo con el AI ofrece un mejor presupuesto del riesgo para el cáncer investigación-descubierto,” el Dr. Shepherd dijo. “Nos ayudó a lograr nuestra meta de clasificar a mujeres en poco arriesgado o de alto riesgo del cáncer de pecho investigación-descubierto.”

Las conclusión tienen implicaciones importantes para las prácticas clínicas en las cuales las guías solas de la densidad del pecho muchas decisiones de la dirección. En vez del consejo a volver el próximo año para otra investigación, las mujeres con un mamograma negativo podrían clasificación por riesgo en uno de tres caminos: poco arriesgado de cáncer de pecho, de riesgo investigación-descubierto elevado, o del cáncer invasor elevado en los tres años próximos, la época media del intervalo de la continuación para el estudio.

“Esto permitiría que utilizáramos el riesgo individual de una mujer para determinar cómo ella debe ser vigilada con frecuencia,” al Dr. Shepherd dijo. “Mujeres más poco arriesgadas no pudieron necesitar ser vigilado con mamografía tan a menudo como ésos con un de alto riesgo del cáncer de pecho.”

El modelo de aprendizaje profundo también tiene promesa en decisiones que soportan sobre proyección de imagen adicional con MRI y otras modalidades. El Dr. Shepherd dijo que las mujeres en el grupo de aprendizaje profundo de alto riesgo que también tienen pechos densos y están en un riesgo más alto para los cánceres del intervalo pueden beneficiar la mayoría de una estrategia de supervisión que incluya la proyección de imagen suplemental que conserva sensibilidad en pechos densos tales como MRI, ultrasonido y proyección de imagen molecular. Los cánceres del intervalo tienen generalmente biología más agresiva del tumor y se descubren típicamente en un escenario avanzado.

Junto con la otra investigación reciente, el nuevo estudio soporta un papel del AI conjuntamente con factores de riesgo clínicos en la evaluación de riesgos del cáncer de pecho.

“Por mamogramas de clasificación en términos de probabilidad de ver el cáncer en la imagen, AI va a ser una herramienta potente de la segunda lectura a ayudar a categorizar mamogramas,” el Dr. Shepherd dijo.

Los investigadores están proyectando replegar el estudio en las mujeres nativas del isleño hawaiano y pacífico, dos grupos que han sido infrarrepresentados en la investigación del cáncer de pecho. También quieren extender el trabajo más allá del riesgo de cáncer a la mirada con riesgo de diversas pendientes del cáncer de pecho, de lo menos a la más agresivo.

Source:
Journal reference:

Zhu, X., et al. (2021) Deep Learning Predicts Interval and Screening-detected Cancer from Screening Mammograms: A Case-Case-Control Study in 6369 Women. Radiology. doi.org/10.1148/radiol.2021203758.