¿Puede un algoritmo de inteligencia artificial (AI) identificar el subtipo molecular de cáncer de mama a partir de una IRM de mama con la misma precisión que las pruebas genéticas? Aún no, pero un modelo de aprendizaje profundo ofrece un potencial considerable, según una investigación publicada en línea el 31 de enero en el Journal of Digital Imaging .
En un estudio de factibilidad, un equipo de investigación dirigido por el Dr. Richard Ha, del Centro Médico de la Universidad de Columbia en la ciudad de Nueva York, formó una red neuronal convolucional (CNN) que produjo 70% de precisión para predecir los subtipos de cáncer de mama a partir del análisis de los exámenes preoperatorios de IRM de mama.
"La estratificación personalizada del riesgo de cáncer de mama puede ser posible con un CNN más datos de IRM en lugar de perfiles de expresión génica", escribieron los autores.
Según los investigadores, la muestra de tejido es el estándar de oro actual para predecir el subtipo de cáncer de mama, con inmunohistoquímica (IHC) como prueba genética sustituta. Sin embargo, los sustitutos de IHC pueden tener un amplio rango de acuerdo con las pruebas genéticas explícitas para predecir el subtipo de cáncer de mama.
"Dado el amplio espectro de pronóstico y las estrategias de tratamiento indicadas basadas en el subtipo de tumor, existe la necesidad de un diagnóstico más preciso para ayudar en un plan de tratamiento individualizado", escribieron los autores.
El aprendizaje automático ha mostrado resultados prometedores en la IRM de la mama para evaluar la radiogenómica, que es el proceso de vinculación de la radiografía (técnicas de radiología cuantitativa) con el genotipo oculto de un tumor o tejido. Sin embargo, los investigadores observaron que la investigación actualmente disponible en la literatura se basa en características fenotípicas extraídas por el hombre para guiar el aprendizaje automático y la subsiguiente predicción de subtipos moleculares utilizando métodos semiautomatizados. Como resultado, en su lugar buscaron utilizar una CNN, que puede aprender a extraer automáticamente las funciones de imagen necesarias para la tarea.
En su estudio retrospectivo, los investigadores primero reunieron a 216 pacientes con un diagnóstico conocido de cáncer de mama, una resonancia magnética preoperatoria y datos de patología de tinción IHC:
- 74 tenía un tumor de mama luminal A (positivo para el receptor de estrógeno [ER] y / o receptor de progesterona; negativo para el receptor 2 del factor de crecimiento epidérmico humano [HER2])
- 106 tenían un tumor de mama luminal B (ER y / o PR positivo; HER2 positivo)
- 13 tenían un tumor de mama de tipo enriquecido con HER2 (ER y PR negativos; HER2 positivo)
- 23 tenían un tumor de mama triple negativo (ER-negativo, PR-negativo y HER2-negativo)
Luego entrenaron a una CNN utilizando imágenes de RM postcontraste y etiquetas de verdad para los subtipos de cáncer de mama molecular que se obtuvieron del registro médico electrónico.
En un conjunto de pruebas de 40 pacientes que estaba equilibrado entre estos cuatro subtipos, el CNN produjo 70% de precisión, 60% de sensibilidad y 95.8% de especificidad. También produjo un área macro normalizada por clase bajo la curva (AUC) de 0,853 y un AUC microagregado no normalizado de 0,871, lo que refleja un poder de discriminación mejorado para los subtipos luminal A y luminal que estaban altamente representados en los conjuntos de datos de entrenamiento.
"Los avances futuros con un conjunto de datos más grande probablemente mejorarán la fuerza predictiva de nuestro modelo, con el potencial de competir con la precisión de las pruebas genéticas estándar para determinar el subtipo de cáncer de mama", escribieron los autores.
Comentarios
Publicar un comentario