Artículo original: Lima M, Mizuno R, Kataoka M, Tsuji K, Yamazaki T, Minami A, et al. Deep Learning Applied to Diffusion-weighted Imaging for Differentiating Malignant from Benign Breast Tumors without Lesion Segmentation. Radiology Artificial Intelligence 2025 7:1
DOI: https://doi.org/10.1148/ryai.240206
Sociedad: Radiological Society of North America (@RSNA)
Palabras clave: MR Imaging, Breast, Comparative Studies, Feature Detection, Diagnosis
Abreviaturas y acrónimos utilizados: AUC (Receiver Operating Characteristic Curve), CNN (Convolutional Neural Network), IA (Inteligencia Artificial), RM (Resonancia Magnética),
Línea editorial: La revista bimestral Radiology: Artificial Intelligence, que forma parte de la RSNA, incide en las aplicaciones emergentes del Machine Learning y de la IA en el campo de la imagen de múltiples disciplinas. Entre sus objetivos se encuentran: mostrar aplicaciones nuevas, explicar metodologías innovadoras para trabajar con IA y demostrar el impacto que tiene la IA en el diagnóstico y manejo de los pacientes. Publica en su número 1 del volumen 7 (enero de 2025) 11 artículos. La mayoría son artículos originales de investigación que se acompañan de comentarios por diferentes autores. Varios artículos versan sobre la patología mamaria (diferenciación de tumores malignos o benignos, predicción de respuesta a neoadyuvancia). Otros sobre patología neurológica variada (volumetrías para evaluación cuantitativa de enfermedad de Alzheimer, detección y segmentación de aneurismas intracraneales, segmentación de lesiones intramedulares en RM). Destacar también un apartado de desarrollos técnicos donde se evalúan modelos de Machine Learning para detección de patología traumática abdominal.
Motivos para la selección: Se ha seleccionado este artículo porque pone de manifiesto un abordaje único para diferenciar tumores mamarios malignos de benignos. Es un ejemplo de cómo la implementación de la IA puede ayudar a solucionar problemas complejos utilizando muy pocos recursos de imagen, sin necesidad de realizar un estudio con múltiples secuencias o administrar contraste intravenoso.
Resumen:
El objetivo de este trabajo es desarrollar y evaluar el rendimiento de un modelo de IA para diferenciar tumores mamarios benignos y malignos utilizando la secuencia de difusión en resonancia magnética, así como compararlo con el rendimiento del radiólogo.
Se realizó un estudio retrospectivo incluyendo pacientes con lesiones mamarias que se realizaron RM entre 2019 y 2022 en un solo centro. El protocolo de RM incluía secuencias morfológicas, secuencias de difusión con 5 valores b(0, 200, 800, 1000 y 1500 seg/mm2) y estudio dinámico con contraste intravenoso. Tras aplicar algunos criterios de exclusión como tratamiento recibido o lesiones de pequeño tamaño, quedaron 293 pacientes (224 tumores malignos y 100 tumores benignos; algunas pacientes presentaban lesiones en las dos mamas). Los tumores malignos se diagnosticaron histopatológicamente por biopsia. Los benignos se diagnosticaron por biopsia o estabilidad tras al menos 18 meses de seguimiento.
Se entrenaron varios modelos, incluyendo CNN 2D y 3D. Para ello, se dividió la muestra en un subgrupo de entrenamiento y otro subgrupo de test. Se desarrollaron modelos de aprendizaje supervisado utilizando validación cruzada en 10 grupos (el concepto de validación cruzada se sintetiza en la revisión que hicimos en febrero de 2024 en esta línea editorial). No se segmentaron las lesiones en las imágenes de las 5 secuencias de difusión utilizadas, pero sí se aportó al modelo en qué cortes se podía visualizar la lesión. Destacar también como parte de la metodología que se utilizaron tres técnicas diferentes de aumento de datos (generar artificialmente nuevos datos a partir de los existentes). Para evaluar el rendimiento se utilizaron diferentes parámetros como el AUC, sensibilidad, especificidad y valores predictivos.
Los diferentes modelos obtuvieron resultados similares, sin diferencias significativas, siendo el modelo CNN 2D el que obtuvo ligeramente los mejores resultados, concretamente cuando se combinó con dos de las tres técnicas de aumento de datos, destacando una AUC de 0.88. Cuando se comparó el mejor modelo con el rendimiento de los radiólogos (que aparte de las secuencias de difusión evaluaron el estudio dinámico, secuencias morfológicas, mamografías y la información clínica), no se observaron diferencias significativas (AUC de 0.88 vs 0.86). Añadir en el entrenamiento del modelo los datos de los mapas ADC no mejoró los resultados.
Como discusión, se menciona que la difusión con 5 valores b combinada con la IA podría ser de utilidad en pacientes intolerantes a los medios de contraste como alternativa al estudio dinámico. Se habían realizado múltiples estudios en el pasado con IA para detectar lesiones mamarias, diferenciar benignas de malignas, así como subtipos de cáncer, pero lo que hace único a este estudio es el uso exclusivo de múltiples valores b de difusión para diferenciar benignidad de malignidad.
Valoración personal:
El trabajo presenta una metodología clara y concisa, incluyendo incluso esquemas de la arquitectura de los modelos de redes neuronales utilizados. El abordaje que plantea utilizando solamente la secuencia de difusión con 5 valores b sin segmentar la lesión es único. Aborda una patología muy frecuente, como es el cáncer de mama, donde cualquier pequeño avance relacionado con la IA puede suponer una gran liberación de la sobrecarga de trabajo compensado el déficit de radiólogos de mama. No obstante, presenta varias limitaciones, que mencionan los autores, incluyendo un tamaño muestral pequeño, la ausencia de una base de datos de testeo externa, y la limitación en la generabilidad debido al uso de RM de 3T en un solo centro.
Sociedad: Radiological Society of North America (@RSNA).
Sección y órgano-sistema: Inteligencia Artificial, Radiología Mamaria.
Técnica radiológica: Resonancia magnética.
Tipo de artículo: Original de investigación.
Año de residencia recomendado: R3-R4.
Alberto Ramírez García-Mina
Hospital Universitario Puerta de Hierro, Majadahonda, R4
cbseram.com 
Deja un comentario