Artículo original:. Pedemonte S, Tsue T, Mombourquette B, Truong Vu YN, Matthews T, Morales Hoil R, et al. A Semiautonomous Deep Learning System to Reduce False-Positive Findings in Screening Mammography. Radiol Artif Intell. 2024 (April) online .
DOI: doi.org/10.1148/ryai.230033
Sociedad: Radiological Society of North America (@RSNA)
Palabras clave: N/A
Abreviaturas y acrónimos utilizados: IA (Inteligencia Aritificial), BI-RADS (Breast Imaging Reporting and Data System).
Línea editorial: Radiology: Artificial Intelligence , es una revista fundada en enero de 2019, con alto factor de impacto, que pertenece a la Sociedad Radiológica de América del Norte (RSNA). Es de publicación bimestral y se enfoca en la aplicación de las tecnologías emergentes en radiología. Los temas tratados incluyen el impacto de la IA en el proceso diagnóstico y en el manejo clínico de los pacientes, el papel de la IA en la educación radiológica y el impacto ético de la IA en el ámbito médico. La RSNA se adhiere a las políticas ICMJE sobre libertad editorial, no interfiriendo en en la selección ni edición de artículos individuales, permitiendo la publicación de artículos con conflictos de interés como ocurre en este caso. Además de este artículo, en este número que publicarán ahora en mayo de este año incluyen artículos sobre: Asistencia de la IA en el screening de cáncer de pulmón, la aproximación del aprendizaje profundo para la planimetría mediante RM del tronco del encéfalo y de los ventrículos cerebrales o el impacto del aprendizaje profundo en el rendimiento de los métodos de reconstrucción por RM, entre otros.
Motivos para la selección: La inteligencia artificial y los modelos de aprendizaje son un tema de moda en los últimos años, y la Radiología es la especialidad médica que más se ha relacionado con un posible cambio en su práctica clínica debido a la aplicación de herramientas de IA. Aunque sea cierto que la gravedad de no detectar una patología oncológica es inadminisible el sobrediagnóstico y el encarnizamiento en la utilización de técnicas diagnósticas como herramientas de una medicina defensiva pueden llegar a ser muy dañinas para los pacientes. Por tanto, me parece muy interesante la aplicación de la inteligencia artificial para dirigir la medicina hacia una práctica más individualizada y no defensiva, sin necesariamente actuar en detrimento del rendimiento diagnóstico, como intentan demostrar en este artículo.
Resumen:
Este artículo analiza un sistema de aprendizaje profundo semiautónomo diseñado para reducir los falsos positivos en la mamografía de cribado. Este sistema utiliza IA para evaluar mamografías y determinar aquellas que no son sospechosas de cáncer de mama, con el objetivo de disminuir el número de exámenes con resultados falsos positivos.
Los resultados de un estudio retrospectivo sobre tres bases de datos de mamografías en instituciones de EE.UU. y del Reino Unido mostraron que el uso de este dispositivo de IA puede reducir significativamente la cantidad de mamografías que requieren interpretación radiológica, así como las mamografías de seguimiento y biopsias innecesarias, sin comprometer la tasa de detección de cáncer.
El sistema fue entrenado con 123,248 mamografías digitales en 2D y luego evaluado mediante un estudio retrospectivo en 14,831 mamografías de cribado, mostrando reducciones significativas en la necesidad de interpretación radiológica (hasta 41.6%), en las mamografías de seguimiento (hasta 31.1%) y en las biopsias de lesiones benignas (hasta 7.4%). Esto se logró sin afectar significativamente la capacidad de detectar cánceres, lo que indica que el sistema mantiene una alta sensibilidad y puede operar eficazmente junto con radiólogos en un entorno clínico.
La implementación de tal sistema promete no solo mejorar la eficiencia de los programas de cribado de cáncer de mama al reducir la carga de trabajo de los radiólogos y disminuir los costes médicos asociados a los procedimientos innecesarios, sino también mejorar la experiencia del paciente al reducir la ansiedad y las molestias relacionadas con los resultados falsos positivos.
Como limitaciones del estudio, el análisis de estratificación reveló diferencias de rendimiento entre los subgrupos según los modelos de escáner y los centros de procedencia de los datos, lo que afectó a la interpretación del modelo. La variabilidad en la cantidad de casos de cáncer de mama detectados en cada centro supuso diferencias significativas en los resultados estadísticos de los distintos centros participantes. Además, la información sobre los falsos negativos era limitada en las bases de datos provenientes de algunos centros, lo que generaba valores de sensibilidad anormalmente altos y dificultaba distinguir los cánceres no detectados de los cánceres de intervalo que no se veían en los exámenes.
En conclusión, las herramientas de descarte ofrecen beneficios, como reducir la cantidad de exámenes de seguimiento y las biopsias innecesarias en la detección del cáncer de mama, pero requieren sistemas de control de calidad e investigaciones adicionales para garantizar la seguridad y la eficacia.
Valoración personal:
En mi opinión es un artículo interesante, aunque quizá más enfocado para radiólogos subespecializados en el ámbito de la radiología mamaria, en relación a los avances que cada día están más presentes respecto a la inteligencia artificial, las diversas utilidades de la misma y sobre la concienciación sobre la cantidad de actos diagnósticos evitables en la práctica clínica habitual, que disminuyen la calidad de vida y aumentan el estrés emocional de nuestros pacientes. A pesar de ello, es un trabajo que cuenta con un importante conflicto de interés ya que está financiado por fondos de Whiterabbit.ai, empresa de la cual la Universidad de Washington tiene acciones y se dedica al desarrollo de herramientas de IA. Esta empresa ha controlado todo el proceso de inclusión y exclusión de pacientes en el estudio, y además no tiene en cuenta la falta de estandarización de las diferentes herramientas de IA que se están desarrollando en la actualidad, lo cual puede suponer un falta de validez externa de los resultados de este estudio. El artículo tampoco específica quién se haría responsable de los resultados falsos negativos de los cánceres mamarios. Además se trata de un artículo extenso y con muchos datos y tablas algo difíciles de interpretar, por lo cual requiere una lectura crítica de radiólogos mínimamente expertos en el tema, que puedan valorar la traducción real de estos resultados en la práctica clínica habitual.
Olatz Saenz de Argandoña Echeverría
Hospital Clínic de Barcelona, Barcelona, R1
cbseram.com 
Deja un comentario