El uso de IA explicable para caracterizar las características en el modelo de predicción de riesgo de cáncer de mama...

Área de la Ciencia:

• Radiología
• Inteligencia artificial
• Imágenes médicas

Sus antecedentes:

• La mamografía es crucial para el cribado del cáncer de mama.
• Se están desarrollando herramientas de IA para mejorar la interpretación mamográfica.
• Comprender la relevancia de las características de la IA es clave para la integración clínica.

Objetivo del estudio:

• Para evaluar si las características extraídas de Mirai se alinean con las observaciones mamográficas.
• Determinar si estas características contribuyen significativamente a la predicción del riesgo de cáncer.
• Evaluar la relevancia clínica de las características identificadas por la IA.

Principales métodos:

• Análisis retrospectivo de 29.374 mamografías del conjunto de datos de EMBED.
• Utilizó una tubería de IA explicable centrada en las características para evaluar 512 características de Mirai.
• Evaluación del rendimiento utilizando el área debajo de la curva de características de funcionamiento del receptor (AUC) para la detección de lesiones y la predicción de riesgos.

Principales resultados:

• Mirai demostró un rendimiento superior en la detección de lesiones en comparación con los modelos de sólo calcificación (CalcMirai) o de sólo masa (MassMirai).
• No se encontró ninguna diferencia significativa en la predicción del riesgo de cáncer a 5 años entre Mirai y CalcMirai.
• MassMirai mostró un rendimiento inferior en la predicción de riesgos en comparación con Mirai.

Conclusiones:

• La IA explicable confirma que Mirai identifica implícitamente las características de las lesiones mamográficas, especialmente las calcificaciones.
• La capacidad de Mirai para aprovechar las características de calcificación es valiosa tanto para la detección de lesiones como para la predicción de riesgos.
• El estudio valida la relevancia clínica de las características extraídas por IA en la mamografía.