Inteligencia Artificial para mejorar la detección precoz del cáncer de mama
El modelo desarrollado en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT podría reducir los falsos positivos y las cirugías innecesarias.
Cada año 40.000 mujeres mueren de cáncer de mama solo en los EE. UU. Cuando el cáncer se detecta temprano, a menudo se pueden curar. Las mamografías son la mejor prueba disponible, pero siguen siendo imperfectas y con frecuencia producen resultados falsos positivos que pueden conducir a biopsias y cirugías innecesarias.
Una causa común de falsos positivos son las llamadas lesiones de "alto riesgo" que aparecen sospechosas en las mamografías y tienen células anormales cuando se evalúan mediante biopsia con aguja. En este caso, el paciente generalmente se somete a una cirugía para extirpar la lesión; sin embargo, las lesiones resultan ser benignas en la cirugía el 90%. Esto significa que cada año miles de mujeres sufren cirugías dolorosas, costosas e inductoras de cicatrices que ni siquiera eran necesarias.
¿Cómo, entonces, se pueden eliminar las cirugías innecesarias mientras se sigue manteniendo el importante papel de la mamografía en la detección del cáncer? Los investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT, el Hospital General de Massachusetts y la Facultad de Medicina de Harvard creen que la respuesta es recurrir a la inteligencia artificial (AI).
Como primer proyecto para aplicar IA para mejorar la detección y el diagnóstico, los equipos colaboraron para desarrollar un sistema AI que utiliza el aprendizaje automático para predecir si una lesión de alto riesgo identificada en la biopsia con aguja después de una mamografía se actualizará al cáncer en la cirugía.
Cuando se analizaron 335 lesiones de alto riesgo, el modelo diagnosticó correctamente el 97% de los cánceres de mama como malignos y redujo el número de cirugías benignas en más del 30% en comparación con los enfoques existentes.
Creado sobre la información sobre más de 600 lesiones existentes de alto riesgo, el modelo busca patrones entre muchos elementos de datos diferentes que incluyen datos demográficos, antecedentes familiares, biopsias pasadas e informes patológicos.
