
Donde más y mejor se están logrando beneficios para la salud de las personas con la aplicación de Inteligencia Artificial (IA), es en biomedicina: Ahora, en Estados Unidos, han desarrollo un nuevo modelo que mejora la precisión de extirpación de tumores malignos en la mama y comprueban que no quedan restos de tejido canceroso.
Este avance es fruto de la colaboración entre el Departamento de Cirugía de la UNC, el Departamento Conjunto de Ingeniería Biomédica de la UNC-NCSU y el Centro Oncológico Integral Lineberger de la UNC, en Estados Unidos. Los detalles aparecen en Annals of Surgical Oncology.
La autora principal, Kristalyn Gallagher, jefa de sección de cirugía mamaria en la División de Oncología Quirúrgica y miembro de UNC Lineberger, señala que “algunos cánceres se pueden sentir y ver, pero no podemos ver las células cancerosas microscópicas que pueden estar presentes en el borde del tejido extirpado. Otros cánceres son completamente microscópicos”.
Dice también que “esta herramienta de inteligencia artificial nos permitiría analizar con mayor precisión los tumores de mama extirpados quirúrgicamente en tiempo real y aumentaría las posibilidades de que todas las células cancerosas se eliminen durante la cirugía. Esto evitaría la necesidad de traer a los pacientes nuevamente para una segunda o tercera cirugía”.
En quirófano, el cirujano reseca el tumor y toma una pequeña cantidad de tejido sano circundante en un intento de extirpar todo el cáncer de la mama. Luego, la muestra se fotografía con una máquina de mamografía y el equipo la revisa para asegurarse de que se haya eliminado el área anormal. Posteriormente, se envía a anatomopatología para su posterior análisis.
El potencial de la IA
El patólogo puede determinar si las células cancerosas se extienden hasta el borde exterior de la muestra o el margen patológico. Si hay células cancerosas en el borde del tejido extirpado, existe la posibilidad de que aún queden células cancerosas adicionales en la mama.
Es posible que el cirujano tenga que realizar una cirugía adicional para extirpar más tejido y asegurarse de que el cáncer se haya eliminado por completo. Sin embargo, esto puede tardar hasta una semana después de la cirugía para procesarse por completo, mientras que la mamografía de la muestra, o fotografiar la muestra con una radiografía, se puede realizar inmediatamente en el quirófano.
Los investigadores recopilaron un conjunto de datos de imágenes de muestras de mamografías coincidentes con el estado del margen patológico de 2017 a 2020. El conjunto de datos se dividió aleatoriamente en conjuntos de entrenamiento, validación y prueba.
Se desarrollaron modelos de muestras de mamografía previamente entrenados en imágenes radiológicas y se compararon con modelos previamente entrenados en imágenes no médicas. El rendimiento del modelo se evaluó mediante la sensibilidad, la especificidad y el área bajo la curva característica operativa del receptor (AUROC).
El conjunto de datos incluía 821 imágenes y el 53% tenía márgenes positivos. Como explican en el estudio, en tres de las cuatro arquitecturas de modelos probadas, los modelos previamente entrenados en imágenes radiológicas superaron a los modelos no médicos.
El modelo de mayor rendimiento, InceptionV3, mostró una sensibilidad del 84 %, una especificidad del 42 % y un AUROC de 0,71. El rendimiento del modelo fue mejor entre pacientes con cánceres invasivos, senos menos densos y raza no blanca.
Diferenciar los tumores de mama
Según Gallagher, el modelo puede resultar especialmente útil para discernir los márgenes en pacientes con mayor densidad mamaria. En las mamografías, el tejido mamario de mayor densidad y los tumores aparecen de un color blanco brillante, lo que dificulta ver dónde termina el cáncer y comienza el tejido mamario sano.
“Es como poner una capa adicional de apoyo en hospitales que tal vez no tendrían esa experiencia disponible», asegura Shawn Gómez, profesor de ingeniería biomédica y farmacología y coautor principal del artículo. «En lugar de tener que hacer una suposición, los cirujanos podrían contar con el apoyo de un modelo entrenado en cientos o miles de imágenes y obtener retroalimentación inmediata sobre su cirugía para tomar una decisión más informada”.
Los investigadores concluyen que con un mayor desarrollo, estos modelos podrían guiar con mayor precisión el alcance de la resección, mejorando potencialmente la estética y reduciendo las reoperaciones.
De momento, este modelo de IA tendrá que ser validado en estudios adicionales antes de que pueda utilizarse clínicamente. Los investigadores anticipan que la precisión de sus modelos aumentará con el tiempo, a medida que aprendan más sobre la apariencia del tejido normal, los tumores y los márgenes.