Un modelo de aprendizaje profundo que utiliza imágenes de resonancia magnética se muestra prometedor como herramienta de apoyo a la toma de decisiones clínicas
El cáncer de mama metastásico es la principal causa de muerte por cáncer en mujeres en todo el mundo.
El primer sitio de metástasis suele ser los ganglios linfáticos axilares, que drenan la linfa de la mama y las zonas adyacentes. La detección del cáncer en estos ganglios linfáticos es importante para determinar el pronóstico de la enfermedad y orientar las decisiones de tratamiento en relación con la quimioterapia y la radioterapia.
La identificación precisa de la metástasis de los ganglios linfáticos axilares suele implicar una biopsia del ganglio linfático centinela, que tiene una mayor sensibilidad en comparación con las imágenes, pero conlleva riesgos asociados con la anestesia y la cirugía. Los pacientes también pueden sufrir efectos adversos permanentes de la cirugía y la radiación, como dolor axilar crónico, limitación del movimiento del brazo y linfedema.
Los riesgos asociados con la biopsia del ganglio centinela resaltan la necesidad de un modelo predictivo basado en imágenes no invasivo y eficaz que aproveche toda la información de la resonancia magnética mamaria.
Una herramienta de inteligencia artificial desarrollada recientemente que utiliza imágenes de resonancia magnética predijo la propagación del cáncer de mama a los ganglios linfáticos, reduciendo potencialmente la necesidad de biopsias e imágenes médicas adicionales, según una investigación en Radiology .
El modelo híbrido 4D mostró un rendimiento diagnóstico similar en diversos conjuntos de datos
“Hay características en las imágenes de resonancia magnética que son indetectables para el ojo humano y que pueden ayudar a predecir el estado de los ganglios linfáticos”, dijo el autor principal del estudio, el Dr. Dogan S. Polat, residente de Radiología Intervencionista en Mount Sinai Health Systems en Nueva York, quien llevó a cabo la investigación en el Departamento de Radiología Diagnóstica en el Centro Médico de la Universidad de Texas Southwestern en Dallas. “Un modelo que reconozca estas características podría evitar biopsias innecesarias y las complicaciones asociadas”.
El Dr. Polat y sus colegas desarrollaron, entrenaron y probaron un modelo de este tipo utilizando estudios de resonancia magnética de mama de un centro académico terciario y un hospital comunitario que utilizaban distintos proveedores de resonancia magnética. Los datos procedían de una población racialmente diversa.
Los investigadores estudiaron el modelo en 350 pacientes de sexo femenino con diagnóstico reciente de cáncer de mama invasivo primario con un estado nodal patológico y clínico conocido. Cada paciente se sometió a una resonancia magnética de mama dinámica con contraste. Los investigadores compararon el rendimiento del modelo basado en imágenes con uno basado en medidas clinicopatológicas como la edad y los marcadores de cáncer de mama más utilizados, incluidos el estado del receptor de estrógeno, progesterona y HER2. También analizaron un modelo híbrido que combinaba características de imágenes con medidas clinicopatológicas.
El modelo de aprendizaje profundo demostró una alta sensibilidad para identificar la metástasis de los ganglios linfáticos del cáncer de mama. El modelo híbrido que utiliza datos de imágenes y clínico-patológicos fue el que tuvo el mejor desempeño, con una sensibilidad del 89 % para diferenciar los casos patológicos con ganglios negativos de los casos con ganglios positivos.
“Con solo la información del tumor primario, nuestro modelo habría ayudado a evitar el 51 % de las biopsias benignas del ganglio centinela y a detectar correctamente el 95 % de los pacientes con metástasis axilar”, afirmó el Dr. Polat. “Este es un beneficio importante, ya que algunos pacientes que se someten a biopsias del ganglio linfático centinela desarrollan complicaciones debilitantes y, a veces, permanentes, que pueden afectar sustancialmente su tratamiento”.
Los resultados demuestran una posible herramienta de apoyo clínico
Los resultados sugieren un papel para el modelo basado en resonancia magnética como herramienta de apoyo a la toma de decisiones clínicas para los radiólogos.
“Esta herramienta podría ayudar a los radiólogos a decidir en el momento si una lesión en particular requiere una biopsia”, afirmó el Dr. Polat. “Podría ahorrarle al paciente más procedimientos invasivos y de imágenes axilares, así como las complicaciones y los gastos asociados”.
Los investigadores están explorando cómo se puede implementar el modelo en un flujo de trabajo clínico. Tienen la intención de realizar un ensayo prospectivo para aprender más sobre el potencial final del modelo.
Para más información
Acceso al estudio Radiology: Imaging Cancer , “ Predicción mediante aprendizaje automático de la metástasis de los ganglios linfáticos en el cáncer de mama: rendimiento de una red neuronal convolucional 4D basada en resonancia magnética multiinstitucional ”.
Fuente: www.rsna.org