Modelo de aprendizaje profundo para la elastografía de onda de cizallamiento para mejorar el diagnóstico del cáncer...

Área de la Ciencia:

• Imágenes médicas
• La inteligencia artificial en la medicina
• En el campo de la oncología

Sus antecedentes:

• La elastografía de onda de cizallamiento (SWE) es prometedora como complemento de la ecografía de modo B para el diagnóstico del cáncer de mama.
• La adopción limitada de SWE se debe a la falta de umbrales de velocidad validados para las masas del sistema de informes y datos de imágenes mamarias (BI-RADS) 4.
• Los modelos de aprendizaje profundo (DL) ofrecen potencial para el análisis objetivo de los datos de imágenes médicas.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje profundo (DL), denominado AI-SWE, para analizar imágenes SWE de masas mamarias BI-RADS 3 y 4.
• Para comparar el rendimiento de diagnóstico de AI-SWE con expertos humanos que utilizan ultrasonido de modo B convencional.

Principales métodos:

• Se utilizaron datos de un ensayo multicéntrico internacional (NCT02638935) en el que participaron 12 instituciones de siete países.
• Desarrolló un modelo de DL basado en EfficientNetB1 utilizando imágenes de SWE de 11 sitios.
• Se realizó una validación externa de los datos de un duodécimo centro y de una cohorte institucional independiente utilizando el software más reciente de SWE.

Principales resultados:

• AI-SWE logró una alta precisión de diagnóstico con un área bajo la curva del operador receptor (AUROC) de 0,94 y 0,93 en conjuntos de validación externa.
• AI-SWE redujo significativamente las tasas de falsos positivos en un 62,1% y 38,1% en comparación con el ultrasonido de modo B (P < 0,001 para ambos).
• AI-SWE demostró una sensibilidad comparable a la de los expertos humanos (97,9% y 97,8% frente a 98,1%, P = 0,912 y P = 0,810).

Conclusiones:

• AI-SWE exhibe una precisión comparable a la interpretación humana para la detección de tumores malignos en las masas mamarias.
• AI-SWE disminuye significativamente los hallazgos falsos positivos, reduciendo potencialmente las biopsias innecesarias.
• Se recomienda una mayor investigación para integrar AI-SWE en las estrategias de diagnóstico multimodal del cáncer de mama.