Según un nuevo estudio publicado en la revista Radiology: Artificial Intelligence, la IA ayuda a mejorar la eficiencia y la precisión de una tecnología de imagen avanzada utilizada para detectar el cáncer de mama.
La tomosíntesis mamaria digital (DBT) es un método avanzado para la detección del cáncer, en el que un brazo de rayos X recorre la mama y toma múltiples imágenes en cuestión de segundos.
La investigación ha demostrado que la DBT mejora la detección del cáncer y reduce los retiros falsos positivos en comparación con la detección con mamografía digital (DM) sola. Sin embargo, el examen DBT puede tomar casi el doble de tiempo para interpretar que la DM, debido al tiempo que le toma al radiólogo desplazarse por todas las imágenes. Es probable que este aumento del tiempo sea más importante a medida que la DBT se convierta cada vez más en el estándar de atención para las imágenes mamográficas.
Para el estudio, los investigadores desarrollaron un sistema de aprendizaje profundo, un tipo de IA que puede extraer grandes cantidades de datos para encontrar patrones sutiles más allá del reconocimiento humano. Entrenaron al sistema de inteligencia artificial en grandes conjuntos de datos DBT para identificar hallazgos sospechosos en las imágenes DBT.
Después de desarrollar y entrenar el sistema, los investigadores probaron su desempeño al contar con 24 radiólogos, incluidos 13 subespecialistas de mama, cada uno de los cuales leyó 260 exámenes DBT con y sin asistencia de IA. Los exámenes incluyeron 65 casos de cáncer.
El uso de IA se asoció con una precisión mejorada y tiempos de lectura más cortos. La sensibilidad aumentó de 77 por ciento sin IA a 85 por ciento con ella. La especificidad aumentó de 62.7 por ciento sin IA a 69.6 por ciento con ella. La tasa de retiro del mercado para los no cánceres, o la tasa a la que se volvió a llamar a las mujeres para los exámenes de seguimiento basados en hallazgos benignos, disminuyó del 38 por ciento sin IA a solo el 30.9 por ciento. En promedio, el tiempo de lectura disminuyó de poco más de 64 segundos sin IA a solo 30.4 segundos con él.
«En general, los lectores pudieron aumentar su sensibilidad en un 8 por ciento, reducir su tasa de recordación en un 7 por ciento y reducir su tiempo de lectura a la mitad cuando usaban IA simultáneamente mientras leían casos de DBT en comparación con la lectura sin el uso de IA», dijo la autora principal del estudio Emily F. Conant, MD, profesora y jefa de imágenes mamarias del Departamento de Radiología de la Facultad de Medicina Perelman, de la Universidad de Pensilvania, en Filadelfia.
También mostró una mejora el área bajo la curva de características operativas del receptor (AUC), una variable gráfica que combina la sensibilidad y la especificidad en una sola medida para una mejor representación del rendimiento general del radiólogo. El rendimiento del radiólogo, medido por el AUC, aumentó de 0.795 sin AI a 0.852 con AI.
«Sabemos que las imágenes de DBT aumentan la detección de cáncer y reducen la tasa de recuerdo cuando se agregan a la mamografía 2D; y una mejora adicional en estas métricas claves es clínicamente muy importante», dijo la Dra. Conant. «Y, dado que agregar DBT a la mamografía bidimensional duplica aproximadamente el tiempo de lectura del radiólogo, el uso simultáneo de IA con DBT aumenta la detección del cáncer y puede reducir el tiempo de lectura al tiempo que se tarda en leer los exámenes de DM solo».
Los investigadores esperan que el enfoque de aprendizaje profundo mejore a medida que es expuesto a conjuntos de datos cada vez más amplios; lo que hace que su impacto potencial en la atención al paciente sea aún más significativo.
«Los resultados de este estudio sugieren que se podría lograr una mayor eficiencia y precisión en la práctica clínica utilizando un sistema de IA eficaz», concluyó la Dra. Conant.
Para leer el estudio completo click aquí.
Fuentes:
https://pubs.rsna.org/journal/aiAccording to a new study published in the journal Radiology: Artificial Intelligence, AI helps improve the efficiency and accuracy of an advanced imaging technology used to screen for breast cancer.
Digital breast tomosynthesis (DBT) is an advanced method for cancer detection in which an X-ray arm sweeps over the breast, taking multiple images in a matter of seconds.
Research has shown that DBT improves cancer detection and reduces false-positive recalls compared to screening with digital mammography (DM) alone. However, the DBT exam can take almost twice as long to interpret as DM due to the time it takes for the radiologist to scroll through all the images. This increased time is likely to be more consequential as DBT increasingly becomes the standard-of-care for mammographic imaging.
For the study, researchers developed a deep learning system, a type of AI that can mine vast amounts of data to find subtle patterns beyond human recognition. They trained the AI system on large DBT data sets to identify suspicious findings in the DBT images.
After developing and training the system, the researchers tested its performance by having 24 radiologists, including 13 breast subspecialists, each read 260 DBT examinations with and without AI assistance. The examinations included 65 cancer cases.
Use of AI was associated with improved accuracy and shorter reading times. Sensitivity increased from 77 percent without AI to 85 percent with it. Specificity increased from 62.7 percent without AI to 69.6 percent with it. The recall rate for non-cancers, or the rate at which women were called back for follow-up examinations based on benign findings, decreased from 38 percent without AI to just 30.9 percent with it. On average, reading time decreased from just over 64 seconds without AI to only 30.4 seconds with it.
«Overall, readers were able to increase their sensitivity by 8 percent, lower their recall rate by 7 percent and cut their reading time in half when using AI concurrently while reading DBT cases compared to reading without using AI,» said study lead author Emily F. Conant, M.D., professor and chief of breast imaging from the Department of Radiology at the Perelman School of Medicine at the University of Pennsylvania in Philadelphia.
Also showing improvement was the area under the receiver operating characteristic curve (AUC), a graphing variable that combines sensitivity and specificity into a single measure for a better representation of overall radiologist performance. Radiologist performance, measured by mean AUC, increased from 0.795 without AI to 0.852 with AI.
«We know that DBT imaging increases cancer detection and lowers recall rate when added to 2-D mammography and even further improvement in these key metrics is clinically very important,» Dr. Conant said. «And, since adding DBT to the 2-D mammogram approximately doubles radiologist reading time, the concurrent use of AI with DBT increases cancer detection and may bring reading times back to about the time it takes to read DM-alone exams.»
The researchers expect the deep learning approach to improve as it is exposed to larger and larger data sets, making its potential impact on patient care even more significant.
«The results of this study suggest that both improved efficiency and accuracy could be achieved in clinical practice using an effective AI system,» Dr. Conant said.
For More Information access the study, “Improving Accuracy and Efficiency with Concurrent Use of Artificial Intelligence for Digital Breast Tomosynthesis”
Sources:
https://pubs.rsna.org/journal/ai
