Los investigadores han desarrollado un modelo de inteligencia artificial que puede predecir en tiempo real si los cirujanos extirparon todo el tejido canceroso durante la cirugía de cáncer de mama mediante el examen de mamografías del tejido extirpado. El modelo funcionó tan bien o mejor que los médicos humanos.
El tratamiento preferido para el cáncer de mama en etapa inicial es la cirugía conservadora de la mama o mastectomía parcial, combinada con radioterapia. Todo el tejido mamario canceroso debe extirparse durante la cirugía para evitar que el cáncer regrese. El método de inspección consiste en comprobar el borde exterior del tejido resecado para asegurarse de que no contenga células cancerosas, que es el "margen negativo".
La mamografía de tejido (mamografía de muestra) es un medio muy extendido para garantizar márgenes negativos porque se puede realizar en el quirófano y proporciona retroalimentación inmediata. Sin embargo, las imágenes de la muestra de mama pueden no ser precisas y, si posteriormente se encuentran células cancerosas, es posible que se necesite más cirugía para extirpar más tejido.
Investigadores de la Facultad de Medicina de la Universidad de Carolina del Norte (UNC) han desarrollado un modelo de inteligencia artificial que puede predecir en tiempo real si el tejido canceroso se ha eliminado por completo durante la cirugía de cáncer de mama.
Kristalyn Gallagher, una de las autoras correspondientes del estudio, dijo: "Algunos cánceres se pueden sentir y ver, pero no podemos ver las pequeñas células cancerosas que pueden estar presentes en los bordes del tejido extirpado. Otros cánceres son completamente microscópicos. Esta herramienta de inteligencia artificial nos permitirá analizar con mayor precisión los tumores extirpados quirúrgicamente en tiempo real y aumentar las posibilidades de eliminar todas las células cancerosas durante la cirugía. Esto evitará que los pacientes tengan que someterse a una segunda o tercera cirugía".
Para "enseñar" al modelo de IA cómo son los márgenes negativos y positivos, los investigadores utilizaron 821 imágenes de mamografía de muestras tomadas inmediatamente después de la resección y comparadas con los informes finales de las muestras de los patólogos. Más de la mitad (53%) de las imágenes fueron de borde positivo. También alimentaron al modelo con datos demográficos del paciente, como edad, raza, tipo de tumor y tamaño del tumor.
Descubrieron que el modelo de inteligencia artificial tenía una sensibilidad del 85%, una especificidad del 45% y un área bajo la curva característica operativa del receptor (AUROC) de 0,71. La sensibilidad mide la capacidad del modelo para detectar casos positivos, mientras que la especificidad mide la proporción de casos verdaderamente negativos que el modelo identifica correctamente. AUROC mide el rendimiento general del modelo y proporciona un valor entre 0 y 1, donde 0,5 representa una suposición aleatoria y 1 representa un rendimiento perfecto.
En comparación con la precisión de las interpretaciones humanas, los modelos de IA funcionan tan bien o mejor que los humanos, dicen los investigadores. Para poner esto en perspectiva, estudios previos han encontrado que la sensibilidad de las muestras de mama por imágenes oscila entre el 20% y el 58%, y el AUROC oscila entre 0,60 y 0,73.
"Es interesante pensar en cómo los modelos de IA pueden utilizar la visión por computadora para apoyar la toma de decisiones de médicos y cirujanos en el quirófano", dijo Kevin Chen, primer autor del estudio. "Descubrimos que los modelos de IA eran tan buenos o incluso ligeramente mejores que los humanos a la hora de identificar ventajas positivas".
El modelo ayuda a identificar márgenes en pacientes con senos más densos. En una mamografía, el tejido mamario denso y los tumores aparecen de color blanco brillante, lo que dificulta distinguir el tejido sano del canceroso.
Los investigadores afirman que su modelo de IA podría utilizarse en hospitales con menos recursos, como cirujanos especialistas, radiólogos o patólogos, para tomar decisiones rápidas e informadas en el quirófano.
"Es como proporcionar una capa adicional de apoyo a los hospitales que tal vez no tengan experiencia", dijo el coautor Shawn Gomez. "En lugar de hacer conjeturas, los cirujanos pueden contar con el apoyo de modelos entrenados en cientos o miles de imágenes y obtener retroalimentación quirúrgica inmediata para tomar decisiones más informadas".
El modelo de IA aún se encuentra en sus primeras etapas y los investigadores continuarán entrenándolo con más mamografías para mejorar su precisión en la identificación de bordes. Este modelo requiere más investigación y validación antes de aplicarse a aplicaciones clínicas.
El estudio fue publicado en la revista Annals of Surgical Oncology.