Clasificación del cáncer de mama basada en la integración de algoritmos de diagnóstico para las calcificaciones y las...

Área de la Ciencia:

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

Sus antecedentes:

• La clasificación precisa del cáncer de mama a partir de las mamografías es crucial para el tratamiento oportuno.
• Los modelos de aprendizaje profundo (DL) son prometedores, pero a menudo carecen de la toma de decisiones matizada de los radiólogos expertos.
• Los radiólogos integran diversos hallazgos como calcificaciones y masas para el diagnóstico.

Objetivo del estudio:

• Evaluar la mezcla de hallazgos radiológicos de expertos específicos (MoRFSE), un algoritmo DL integrado para la clasificación del cáncer de mama.
• Evaluar la capacidad del MoRFSE para emular el proceso de diagnóstico de los radiólogos.
• Para comparar el rendimiento de MoRFSE con un modelo DL convencional (ResNet18).

Principales métodos:

• Se utilizaron 2.764 imágenes mamográficas del conjunto de datos TOMPEI-CMMD.
• Desarrollado MoRFSE con una red de puertas (gNet) y redes especializadas de expertos (cExp, mExp) para calcificaciones y masas.
• Se empleó la validación cruzada de 5 veces y se comparó el AUC con ResNet18, utilizando la prueba de DeLong para determinar la significación.

Principales resultados:

• MoRFSE logró un AUC significativamente mayor de 0,9616 en comparación con el 0,9577 de ResNet18 (p=0,001348).
• Las redes especializadas de expertos dentro del MoRFSE capturaron efectivamente características radiológicas distintas.
• El enfoque integrado demostró un rendimiento de clasificación superior.

Conclusiones:

• El modelo MoRFSE imita con éxito el flujo de trabajo de diagnóstico de los radiólogos mediante la integración de componentes especializados de DL.
• MoRFSE muestra potencial para mejorar la precisión del diagnóstico del cáncer de mama a partir de las mamografías.
• Esta estrategia de IA ofrece un avance prometedor en la detección asistida por computadora del cáncer de mama.