Aplicacions de la Intel·ligència Artificial en Imatges de Mama.
15.01.2021
Artículo original: Matthew B. Morgan, Jonathan L. Mates. Aplicaciones de la Inteligencia Artificial en Imagen Mamaria. Radiol Clin North Am 2021 Ene;59(1):139-148.
DOI: 10.1016/j.rcl.2020.08.007
Sociedad: Clínicas Radiológicas de América del Norte. @RadClinics
Paraules clau: imagen de mama, inteligencia artificial, aprendizaje automático, mamografía.
Abreviaturas y acrónimos utilizados: inteligencia artificial (IA), unidades de procesamiento gráfico (GPU), aprendizaje automático (ML), detección asistida por computadora (CAD).
Linia editorial de el nombre
Radiològic Clinics of North America proporciona informació clínica que es pot aplicar directament a la pràctica. La revista és bimensual i examina un tema d'actualitat en radiologia sota la guia d'un editor especialitzat en el camp. Podem trobar articles de revisió, juntament amb radiografies, imatges de ressonància magnètica, tomografies computeritzades i ecografies d'alta qualitat de tots els temes.
Aquest número està dedicat a la Mama, amb articles molt interessants com l'Impacte de la pandèmia de l'COVID-19 en l'àrea de mama, És l'era de l'cribratge de mama personalitzat? i / o Riscos i sobrediagnòstic en el programa de cribratge de càncer de mama, entre d'altres.
Motius per a la selecció
Aprofundir una mica en l'estudi de la intel·ligència artificial, amb el valor afegit que es tracta d'l'àrea de radiologia mamària. M'agradaria aprendre com funciona el Machine Learning i les seves aplicacions.
Resum
La IA és un camp interdisciplinari en el qual es creen uns algoritmes que aprenen a proporcionar resultats d'una manera més ràpida i més precisa que la ment humana.
El ML és el resultat d'avenços com la disponibilitat de grans conjunts de dades (big data) combinats amb un maquinari millorat (GPUs). ML utilitza models estadístics per permetre sistemes informàtics per aprendre i millorar sense programació evident. Els sistemes de ML poden utilitzar funcions no percebudes per l'humà, això planteja la possibilitat que pugui realitzar algun dia diagnòstics més fiables del que és possible només amb els humans.
De totes les especialitats de la radiologia, la mamària és una de les més atractives per a la IA. La mamografia de cribratge és una de les eines més eficaces per a la detecció precoç de càncer de mama. Però hi ha fins a un 13% de càncers que no es diagnostiquen i aproximadament un 10% de pacients són recitades per a proves addicionals de les que només un 5% seran diagnosticades de càncer de mama; per tant aquests falsos positius poden conduir a patir ansietat en les pacients i a la realització de biòpsies innecessàries.
El 1998 la FDA (Food and Drug Administration), va aprovar la primera tecnologia CAD per mamografia. Es refereix a l'ús d'ordinadors per ajudar a l'radiòleg a identificar una troballa en una imatge; encara que el seu ús no va convèncer massa ja que va disminuir la precisió i va augmentar el nombre de falsos positius. Aquest CAD utilitzava models matemàtics basats en regles que determinaven la presència de característiques d'imatge anòmales. Els avenços recents en ML obren una nova línia de tècniques per al CAD.
Segons aquest article les aplicacions de la IA en radiologia mamària inclouen tasques interpretatives i no interpretatives.
IA interpretativa:
1. Cribratge de detecció.
Diferenciar entre resultat normal i anormal. Els radiòlegs revisen les mamografies buscant masses, distorsions, asimetries i calcificacions. Aplicant la IA podria reduir el nombre total d'estudis que requereixen revisió humana d'un 15% a 20%, així com disminuir l'ansietat de l'pacient que espera el resultat de la prova.
2. IA basada en CAD.
Després de la classificació anterior (mitjançant cribratge de detecció), la IA podria ajudar a detectar les zones d'interès incrementant la precisió en el diagnòstic i també podria usar-se com a segon lector ajudant a l'radiòleg (aquesta àrea és on es concentra la major part de recerca actual sobre la IA).
S'estan realitzant investigacions perquè la IA pugui predir el càncer, els subtipus i genòmica, predir la resposta a el tractament i avaluar els ganglis limfàtics per detectar signes de propagació.
IA no interpretativa:
1. Avaluació de riscos.
Una anàlisi de riscos a cada pacient pot ajudar a guiar l'inici de detecció, freqüència i modalitat òptima (ecografia, ressonància magnètica, etc.) per al seguiment en el programa poblacional de cribratge. Diversos models de risc de càncer de mama s'han incorporat característiques específiques de l'pacient com edat, antecedents familiars, factors hormonals i la densitat mamària. Aquesta avaluació proporciona una personalització de l'cribratge disminuint la controvèrsia de les recomanacions de quan començar i a quina freqüència.
2. Control de la imatge.
L'aplicació d'IA en el procés d'adquisició d'imatges té el potencial de millorar la seguretat de l'pacient, la qualitat de la imatge, l'eficiència de l'procediment i l'actuació de l'tècnic.
3. Reducció de dosi.
Un dels principals beneficis potencials de la IA seria reduir la dosi sense comprometre la qualitat de la imatge. S'estan desenvolupant noves tècniques per reduir a l'50% la dosi mantenint una alta qualitat d'imatge.
4. Garantia de qualitat.
A causa de que les característiques de l'càncer en les imatges poden ser molt subtils, cal disposar d'alta qualitat. La valoració de la imatge inclou l'avaluació de l'posicionament, compressió, artefactes, exposició, contrast, nitidesa, soroll i etiquetatge. La IA aplicada a la garantia de qualitat podria evitar recitacions de pacients.
5. Correlació radiològic-patològica.
Un cop s'obté el resultat d'una biòpsia, els radiòlegs procedeixen a realitzar la correlació radiològic-patològica. Això és un procés manual i està subjecte a una variabilitat significativa en les decisions i en el maneig de l'seguiment. La IA podria estandarditzar la presa de decisions mitjançant la incorporació d'imatges quantitatives, informes d'histopatologia, així com els factors de risc de l'pacient.
Radiomics és un enfocament que extreu característiques d'imatges radiològiques utilitzant algoritmes de caracterització de dades, i pot descobrir les particularitats de les malalties que els humans són incapaços de percebre. La radiogenómica es refereix a la relació entre el patró digital a la imatge de la malaltia i la seva expressió genètica. La combinació de la radiogenómica amb eines d'IA podria descobrir relacions radiològic-patològic-genòmiques i augmentar el potencial prognòstic.
6. Optimització de el flux de treball.
La IA s'utilitza també per prioritzar estudis amb troballes positius urgents en radiologia d'emergència. També podria enfocar-se en prioritzar els estudis de mama marcats amb probables anomalies per a una avaluació immediata.
Els éssers humans i les màquines tenen diferents punts forts; l'objectiu de la IA hauria de ser aprofitar els avantatges de tots dos. Les màquines poden treballar incansablement i de manera repetitiva i fins i tot veure més enllà que l'ull humà i a una gran velocitat. Destaquen en el reconeixement de patrons, fins i tot amb grans volums de dades proporcionant una millor predicció.
D'altra banda, els humans poden deduir a partir de dades mínimes i resoldre una àmplia varietat de problemes. Construeixen relacions de treball i es comuniquen amb els metges remitents i amb els pacients.
La introducció de la IA ha estat projectada com una contesa entre humans i màquines, però el veritable poder de la IA es desenvoluparà quan s'harmonitzi l'habilitat dels humans amb el poder de la tecnologia.
És important remarcar que la progressió a nivells més alts d'automatització requerirà dosis creixents de confiança. La confiança és fruit d'experiències positives repetides al llarg de el temps. Confiar en eines per prendre decisions serà difícil per possibles biaixos heretats pels algoritmes pot donar lloc a decisions incorrectes. Després d'adequats assaigs clínics, hi ha proves concloents que la IA podria reduir la càrrega de treball, reduint així també costos.
L'objectiu de qualsevol tecnologia nova és proporcionar valor. La IA pot afegir valor tant en tasques interpretatives com no interpretatives, i té un gran potencial per millorar la seguretat de l'pacient i els resultats clínics. L'èxit requerirà que les eines d'IA no només siguin validades amb estudis prospectius sinó que han d'estar dissenyades per encaixar en el flux de treball i aprofitar les fortaleses de les màquines i dels humans.
Valoració Personal
Em sembla interessant totes les aplicacions de la IA a part de la lectura d'imatges, com el cribratge de detecció, avaluació de riscos, control de la imatge, garantia de qualitat, etc. Però m'ha faltat saber el funcionament d'aquestes aplicacions, aprofundir una mica més en el maneig de l'Machine Learning.
Cecilia Aynes Suárez
Parc Taulí Hospital Universitari (Sabadell), TSIDMN
.jpg)