AI mostra excelente desempenho na previsão de câncer de mama

Em um estudo em larga escala, os algoritmos de IA superaram os modelos de risco clínico tradicionais para prever com mais precisão o risco de câncer de mama em cinco anos. Esses modelos usam mamografias como uma única fonte de dados, oferecendo benefícios potenciais na personalização do atendimento ao paciente e na melhoria do desempenho do prognóstico.

Em um grande estudo de milhares de mamografias, os algoritmos de inteligência artificial (IA) superaram um modelo de risco clínico padrão para prever o risco de câncer de mama em cinco anos. Os resultados do estudo foram publicados RadiologiaJornal da Sociedade Radiológica da América do Norte (RSNA).

O risco de câncer de mama de uma mulher geralmente é calculado usando modelos clínicos, como o modelo de risco do Consórcio de Vigilância do Câncer de Mama (BCSC), que usa a idade da paciente, histórico familiar da doença e outras informações sobre a paciente. nascimento e se ela tem mamas densas – para calcular uma pontuação de risco.

“Os modelos de risco clínico dependem da coleta de informações de diferentes fontes, que nem sempre estão disponíveis ou coletadas”, disse o pesquisador principal Vignesh A. disse Goss, MD, Ph.D., cientista pesquisador e radiologista da Kaiser Permanente Northern California. “Avanços recentes em aprendizado profundo de IA nos permitem extrair centenas a milhares de recursos mamográficos adicionais”.

Mamografias de triagem de inclinação lateral medial direita (RMLO) mostrando resultados negativos em 2016 (A) Mirai, de 73 anos, com uma pontuação de risco de inteligência artificial (IA) superior a 90% de risco de desenvolver câncer de mama direita em 5 anos em 2021. Acompanhamento e (B) Uma mulher de 73 anos com um escore de risco Mirai AI de menos de 10% de risco não desenvolveu câncer em 5 anos após 5 anos de acompanhamento. Crédito: Sociedade Radiológica da América do Norte

Em um estudo retrospectivo, o Dr. Government usou dados relacionados à triagem de mamografias 2D negativas (sem evidência de câncer) realizadas na Kaiser Permanente Northern California em 2016. Das 324.009 mulheres rastreadas em 2016, 13.628 mulheres foram selecionadas para uma análise de subgrupo randomizado. Além disso, todos os 4.584 pacientes da coorte elegível que foram diagnosticados com câncer dentro de cinco anos da mamografia original de 2016 foram examinados. Todas as mulheres foram acompanhadas até 2021.

“Selecionamos mamografias de todo o ano de triagem realizadas em 2016, portanto, nossa população de estudo é representativa das comunidades do norte da Califórnia”, disse o Dr.

Os pesquisadores dividiram o período de estudo de cinco anos em três períodos: risco de câncer de intervalo, ou cânceres incidentes diagnosticados entre os anos 0 e 1; risco futuro de câncer, ou cânceres incidentes diagnosticados entre um e cinco anos; e todos os cânceres de risco ou incidentes diagnosticados entre 0 e 5 anos.

Usando mamografias de rastreamento de 2016, as pontuações de risco de câncer de mama durante um período de cinco anos foram geradas por cinco algoritmos de IA, incluindo dois algoritmos acadêmicos usados ​​pelos pesquisadores e três algoritmos disponíveis comercialmente. Os escores de risco foram então comparados entre si e com o escore de risco clínico BCSC.

“Todos os cinco algoritmos de IA superaram o modelo de risco BCSC para prever o risco de câncer de mama em 0 a 5 anos”, disse o Dr. “Este forte desempenho preditivo ao longo de um período de cinco anos identifica tanto os cânceres que a IA não detectou quanto as características do tecido mamário que ajudam a prever o desenvolvimento futuro do câncer. Algo em uma mamografia nos permite monitorar o risco de câncer de mama. É a ‘caixa preta’ da IA.

Alguns algoritmos de IA são melhores para prever pacientes com alto risco de câncer de intervalo, que geralmente é agressivo e pode exigir uma segunda leitura de mamografias, triagem adicional ou imagens de acompanhamento de intervalo mais curto. Ao avaliar 10% das mulheres de alto risco como exemplo, a IA previu até 28% dos cânceres em comparação com 21% previstos pelo BCSC.

Mesmo algoritmos de IA treinados para horizontes de tempo curtos (até 3 meses) foram capazes de prever o risco futuro de câncer em até cinco anos, quando nenhum câncer foi detectado clinicamente pela mamografia. Quando usados ​​em combinação, os modelos de risco AI e BCSC melhoraram ainda mais a previsão do câncer.

“Estamos procurando um método preciso, eficiente e quantificável para entender o risco de câncer de mama em mulheres”, disse o Dr. “Os modelos de risco de IA baseados em mamografia oferecem vantagens práticas sobre os modelos de risco clínico tradicionais porque usam uma única fonte de dados: a própria mamografia”.

Algumas empresas já estão usando IA para ajudar os radiologistas a detectar câncer em mamografias, disse o Dr. Govt. A pontuação de risco futuro de uma pessoa, que a IA leva segundos para gerar, pode ser integrada a um relatório de radiologia compartilhado com o paciente e seu médico.

“A IA para previsão de risco de câncer nos dá a oportunidade de personalizar o atendimento de cada mulher, que não está disponível sistematicamente”, disse ela. “É uma ferramenta para ajudar a fornecer medicamentos personalizados e de precisão em nível nacional”.

Referência: Vignesh A. Governo, Laurel A. Habel, Nina S. Achakoso, Diana SM. Busto, Jason B. “Comparação de algoritmos de IA de mamografia com modelagem de risco clínico para previsão de risco de câncer de mama em 5 anos: um estudo observacional”, Laura J. Esserman, Nola M. Hilton, M. Maria ClaymoreJohn KornackLawrence H. Kushi, Donald A. Lewis, Vicente X. Liu, Caitlin M. Lydon, Diana L. Miglioretti, Daniel A. Navarro, Albert Bu, Li Shen, Viva See, Hyo-Chun Yoon e Catherine Lee, 6 de junho de 2023, Radiologia.
DOI: 10.1148/radiol.222733

Laurel A. trabalhou com Dr. Govt. Habel, Ph.D., Nina S. Achakoso, MS, Diana SM. Beust, Ph.D., Jason B. Card, MD, Laura J. Esserman, MD, NOLA. M. Hilton, Ph.D., M. Maria Claymore, Sc.D., John Kornack, Ph.D., Lawrence H. Kushi, Sc.D., Dan A. Lewis, MS, Vincent X. Liu, MD , Caitlin M. Lydon, MPH, Diana L. Miglioretti, Ph.D., Daniel A. Navarro, MD, Albert Pu, MS, Li Shen, Ph.D., Weiwa Seah, MD, Ph.D., Hyo-Chun Yoon, MD, Ph.D. e Catherine Lee, Ph.D.