Diagnóstico de cáncer de mama utilizando una red de aprendizaje profundo complementaria de doble modalidad con...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• En el campo de la oncología

Sus antecedentes:

• El diagnóstico del cáncer de mama se basa en imágenes, pero diferenciar las lesiones benignas de las malignas y evaluar la participación de los ganglios linfáticos puede ser un desafío.
• La integración de información estructural (ultrasonido de modo B) con datos de rigidez del tejido (elastografía de onda de corte) ofrece el potencial para mejorar la precisión del diagnóstico.

Objetivo del estudio:

• Desarrollar y evaluar una nueva red de atención de características complementarias de doble modalidad (DCFAN).
• Aprovechar las características espaciales y de rigidez fusionadas del ultrasonido de modo B y la elastografía de onda de cizallamiento (SWE) para mejorar la clasificación de tumores mamarios y la predicción de metástasis de ganglios linfáticos axilares (ALN).

Principales métodos:

• Se realizó un análisis retrospectivo de 387 imágenes emparejadas de modo B y SWE de 218 pacientes.
• El modelo DCFAN utilizó mecanismos de atención para integrar características estructurales de modo B y características de rigidez SWE.
• El rendimiento se evaluó en dos tareas: clasificación de tumores benignos versus malignos y clasificación de tipos de tumores, incluido el estado de metástasis de los ganglios linfáticos, en comparación con los métodos convencionales y los radiólogos.

Principales resultados:

• DCFAN logró una precisión del 94,36% y un AUC de 0,97 para la clasificación tumoral y una precisión del 91,70% y un AUC de 0,83 para la predicción de metástasis.
• El enfoque multimodal superó significativamente a los modelos monomodal y demostró una mayor especificidad y puntuaciones F1 que los radiólogos experimentados en la tarea 1.
• DCFAN superó varios modelos de aprendizaje profundo de última generación en precisión de diagnóstico.

Conclusiones:

• El modelo DCFAN demostró un rendimiento robusto y superior tanto en la clasificación de tumores mamarios como en la predicción de metástasis de ALN.
• Este enfoque de IA es prometedor como herramienta de asistencia para mejorar la precisión del diagnóstico en los exámenes de ultrasonido mamario.
• La integración de características de imagen complementarias mejora las capacidades de la IA en el diagnóstico oncológico.