Mejorar el cribado del cáncer de mama: Desvelar contribuciones de visión cruzada explicables en la mamografía de...

Área de la Ciencia:

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

Sus antecedentes:

• La mamografía es crucial para la detección temprana del cáncer de mama, generalmente utilizando dos vistas por mama.
• Las herramientas de diagnóstico asistido por computadora (CAD) luchan con el análisis de una sola vista debido a la complejidad y las variaciones de escala.
• El análisis de mamografía de doble visión es un desafío debido a las diferencias de proyección y los diferentes protocolos de adquisición.

Objetivo del estudio:

• Desarrollar un modelo avanzado de red neuronal gráfica (GNN) para mejorar el análisis de mamografías de doble visión.
• Mejorar la precisión de la detección y clasificación del cáncer de mama utilizando información complementaria de dos mamografías.
• Crear un modelo de IA interpretable que ayude a los radiólogos a tomar decisiones.

Principales métodos:

• Utilizó la descomposición de súper píxeles para representar jerárquicamente la información de la imagen.
• Diseñó un gráfico de doble vista para facilitar el intercambio de información entre las vistas de la mamografía.
• Implementó una capa de atención de gráfico escaso modificada para capturar las relaciones de doble vista relevantes.
• Se empleó un enfoque de formación totalmente supervisado en conjuntos de datos públicos y privados.

Principales resultados:

• Logró un rendimiento de vanguardia en la clasificación y detección de mamografías digitales de campo completo.
• Alcanzó un área debajo de la curva (AUC) de 0,96 en el conjunto de datos INbreast.
• Alcanzó una sensibilidad de 0,97 con una baja tasa de falsos positivos (0,33 por imagen) y un AUC de 0,92 en el conjunto de datos de VinDr.

Conclusiones:

• La propuesta GNN de atención de gráficos escasos modela efectivamente la información de imágenes a múltiples escalas y la complementariedad de doble vista.
• El método ofrece una mejor interpretabilidad, ayudando a los radiólogos sin requerir el registro de vistas.
• Se han demostrado avances significativos en la detección y precisión de la clasificación del cáncer de mama en la mamografía.