Modelo de aprendizaje profundo estima el riesgo de cáncer a partir de la densidad mamaria

El cáncer de mama es el cáncer más común que afecta a las mujeres en todo el mundo. Según la Sociedad Estadounidense del Cáncer, aproximadamente 1 de cada 8 mujeres en los Estados Unidos desarrollará cáncer de mama en su vida. Si bien no es posible prevenir por completo el cáncer de mama, varias organizaciones médicas recomiendan exámenes de detección regulares para detectar y tratar los casos en la etapa inicial. La densidad mamaria, definida como la proporción de tejido fibroglandular dentro de la mama, se usa a menudo para evaluar el riesgo de desarrollar cáncer de mama. Si bien hay varios métodos disponibles para estimar esta medida, los estudios han demostrado que las evaluaciones subjetivas realizadas por radiólogos basadas en escalas analógicas visuales son más precisas que cualquier otro método.

Dado que las evaluaciones de expertos de la densidad mamaria desempeñan un papel crucial en la evaluación del riesgo de cáncer de mama, es muy deseable desarrollar marcos de análisis de imágenes que puedan estimar automáticamente este riesgo, con la misma precisión que un radiólogo experimentado. Con este fin, investigadores dirigidos por la Prof. Susan M. Astley de la Universidad de Manchester, Reino Unido, desarrollaron y probaron recientemente un nuevo modelo basado en aprendizaje profundo capaz de estimar la densidad mamaria con alta precisión. Sus hallazgos se publican en el Revista de imágenes médicas.

«La ventaja del enfoque basado en el aprendizaje profundo es que permite la extracción automática de funciones de los propios datos», explica Astley. «Esto es atractivo para las estimaciones de densidad mamaria, ya que no entendemos por completo por qué los juicios subjetivos de expertos superan a otros métodos».

Por lo general, entrenar modelos de aprendizaje profundo para el análisis de imágenes médicas es una tarea desafiante debido a los conjuntos de datos limitados. Sin embargo, los investigadores lograron encontrar una solución a este problema: en lugar de construir el modelo desde cero, utilizaron dos modelos independientes de aprendizaje profundo que inicialmente se entrenaron en ImageNet, un conjunto de datos de imágenes no médicas con más de un millón de imágenes. Este enfoque, conocido como «aprendizaje de transferencia», les permitió entrenar a los modelos de manera más eficiente con menos datos de imágenes médicas.

Utilizando casi 160 000 imágenes de mamografías digitales de campo completo a las que expertos (radiólogos, radiógrafos profesionales avanzados y médicos especialistas en mamas) les asignaron valores de densidad en una escala analógica visual de 39 357 mujeres, los investigadores desarrollaron un procedimiento para estimar la puntuación de densidad para cada imagen de mamografía . El objetivo era tomar una imagen de mamografía como entrada y producir una puntuación de densidad como salida.

El procedimiento involucró el preprocesamiento de las imágenes para hacer que el proceso de entrenamiento sea computacionalmente menos intensivo, extrayendo características de las imágenes procesadas con los modelos de aprendizaje profundo, asignando las características a un conjunto de puntajes de densidad y luego combinando los puntajes usando un enfoque de conjunto para producir un resultado final. estimación de la densidad.

Con este enfoque, los investigadores desarrollaron modelos muy precisos para estimar la densidad mamaria y su correlación con el riesgo de cáncer, al mismo tiempo que conservaban el tiempo de cálculo y la memoria. «El rendimiento del modelo es comparable al de los expertos humanos dentro de los límites de la incertidumbre», dice Astley. «Además, se puede entrenar mucho más rápido y en pequeños conjuntos de datos o subconjuntos del gran conjunto de datos».

En particular, el marco de aprendizaje de transferencia profunda es útil no solo para estimar el riesgo de cáncer de mama en ausencia de un radiólogo, sino también para entrenar otros modelos de imágenes médicas en función de sus estimaciones de densidad de tejido mamario. Esto, a su vez, puede permitir un mejor rendimiento en tareas como la predicción del riesgo de cáncer o la segmentación de imágenes.