Inteligencia artificial & Ciencia | Salud

Una IA pronostica cáncer de mama sin sesgos de raza

Entrenan a un algoritmo para que se anticipe al cáncer de mama independientemente del grupo étnico o la edad

logo
Una IA pronostica cáncer de mama sin sesgos de raza
Radiografía de mama

Radiografía de mama iStock

Resumen:

Ya son varias las tecnologías de inteligencia artificial aplicadas al ámbito de la salud. Pueden pronosticar y diagnosticar con bastante acierto enfermedades como alzhéimer o tumores. Pero, como toda tecnología, tiene sesgos. Casi siempre, derivados de su entrenamiento y las muestras de mundo real de las que aprende. Por ejemplo, si a una red neuronal sólo se la educa con imágenes de gente de una raza o edad. Eso ocurría con las herramientas de pronóstico de cáncer de mama. Y eso que la población afroamericana, en concreto, tiene entre un 20% y un 40% más de probabilidades de fallecer por esta enfermedad.

Así vio los patrones que determinan el riesgo de cáncer de mama la IA

Así vio los patrones que determinan el riesgo de cáncer de mama la IA ARS

“A diferencia de los modelos tradicionales, nuestro modelo de aprendizaje profundo funciona igualmente bien en diversas razas”, explica Regina Barzilay, profesora del MIT que ha presentado junto a colegas del Hospital General de Massachusetts una inteligencia artificial que dice cuánta probabilidad hay de que una mujer desarrolle cáncer de mama.

“Hasta ahora, las mujeres afroamericanas se encontraban en una clara desventaja al tener una evaluación de riesgo precisa del futuro cáncer de mama. Nuestro modelo de IA ha cambiado eso”, asegura la doctora. La nueva inteligencia artificial supera las limitaciones del modelo más usado, que tiende a perder eficacia en distintos grupos de edad, historias familiares u origen étnicos.

Varios estudios señalan que los diagnósticos en mujeres blancas en Estados Unidos se han estabilizado, frente a las cifras de la población negra. Además, las últimas suelen recibir el diagnóstico cuando los tumores están avanzados. Y eso tiene que ver con factores genéticos y socioeconómicos, sobre todo. La obesidad, factor de riesgo, está presente entre la población con menores ingresos y ésta, a su vez, correlaciona con mujeres afroamericanas, según la American Cancer Society Cancer Action Network. En Estados Unidos ya son consideradas población de riesgo, junto a las de etnia ashkenazí.

Más allá de la densidad mamaria

La identificación de mujeres con riesgo de cáncer de mama es un componente crucial de la detección temprana efectiva de la enfermedad. Sin embargo, los modelos disponibles que utilizan factores como los antecedentes de la familia y la genética. Son útiles y necesarios, pero no son suficientes para predecir la probabilidad de que una mujer sea diagnosticada con la enfermedad. La inteligencia artificial puede procesar muchos más datos y, sobre todo, comparar imágenes.

La densidad mamaria (la cantidad de tejido denso en comparación con la cantidad de tejido graso en el seno, visto en una mamografía) es un factor de riesgo independiente para el cáncer de mama. Se ha agregado a algunos modelos para mejorar la evaluación de riesgos. Se basa en una evaluación subjetiva que puede variar entre los radiólogos, por lo que este aprendizaje profundo ha aprendido a de estandarizar y automatizar.

Hay mucha más información en una mamografía que la densidad mamaria. Las máquinas son buenas viendo otros patrones sutiles del cáncer

“Hay mucha más información en una mamografía que solo las cuatro categorías de densidad mamaria”, dijo el coautor del estudio, Adam Yala, que ha publicado el trabajo junto a la doctora Barzilay en Radiology. “Al utilizar el modelo de aprendizaje profundo, aprendemos de señales sutiles que son indicativas de un cáncer en el futuro”.

Yala, en colaboración con Regina Barzilay y Constance Lehman, jefa de diagnóstico de imágenes de la mama en el Hospital de Massachusetts, comparó recientemente tres enfoques diferentes de evaluación de riesgos. El primer modelo se basó en los factores de riesgo tradicionales, el segundo en el aprendizaje profundo que usó solo la mamografía y el tercero en un enfoque híbrido que incorporó tanto la mamografía como los factores de riesgo tradicionales en el modelo de aprendizaje profundo.

Los investigadores utilizaron casi 90.000 mamografías de alta resolución de aproximadamente 40.000 mujeres para entrenar, validar y probar el modelo de aprendizaje profundo. Los cruzaron con los datos de un registro regional de tumores.

Para evaluar los modelos, se crearon los siguientes subgrupos: mujeres blancas y afroamericanas, mujeres premenopáusicas y posmenopáusicas, y mujeres con y sin antecedentes familiares de cáncer de mama o de ovario. Se cruzaron con los datos de pacientes que desarrollaron cáncer entre los 3 y los 5 años posteriores y las mujeres que no tuvieron tumores mamarios tras 5 años.

“La mayoría de los modelos de riesgo existentes se desarrollaron en poblaciones predominantemente blancas y tienen limitaciones conocidas para predecir el riesgo de otros grupos raciales”, explican las autoras del estudio. “Nuestro modelo híbrido superó [al habitualmente utilizado] en poblaciones tanto blancas como afroamericanas; esta mejora en el rendimiento de la predicción fue especialmente pronunciada para las mujeres afroamericanas”.

Hacia programas más personalizados

Los modelos de aprendizaje profundo produjeron una discriminación de riesgo sustancialmente mejorada con respecto al modelo de Tyrer-Cuzick, un estándar clínico actual que utiliza la densidad mamaria en el riesgo de factorización. En concreto, el algoritmo acierta 13 puntos por encima del porcentaje de acierto del método actual. Al comparar el modelo de aprendizaje profundo híbrido con la densidad de los senos, los investigadores encontraron que los pacientes con senos no densos y con alto riesgo evaluado por el modelo tenían 3,9 veces la incidencia de cáncer de los pacientes con senos densos y bajo riesgo evaluado por el modelo.

Las mediciones de densidad mamaria asistidas por AI ya están en uso para las mamografías de detección realizadas en este hospital. Los investigadores están rastreando su eficacia mientras trabajan para refinar las formas de comunicar la información de riesgo a las mujeres y sus médicos de atención primaria.

“Lo que falta para apoyar programas de detección más efectivos y personalizados son herramientas de evaluación de riesgos fáciles de implementar y que funcionen en toda la diversidad de mujeres a las que atendemos”, señala Lehman. “Estamos encantados con nuestros resultados y ansiosos por trabajar de cerca con nuestros sistemas de atención médica, nuestros proveedores y, lo más importante, nuestros pacientes para incorporar este descubrimiento en resultados mejorados para todas las mujeres”.

Las inteligencias artificiales aplicadas al diagnóstico son herramientas relativamente comunes en el cribado de casos. Cada vez son más sofisticadas. Sin embargo, hace justo un año, el Gobierno de Reino Unido reconoció un “fallo del algoritmo informático” que predice los cánceres de mama. Muchas mujeres de entre 68 y 71 años en Inglaterra no fueron invitadas a su examen de rutina final. Reconocieron que no se sabe si algún retraso en el diagnóstico resultó en una muerte evitable, pero se estima que entre 135 y 270 mujeres pudieron haber perdido la vida antes de tiempo como resultado del fallo.