Victor Acosta Marín^1*, Victor Acosta Freites¹, Orlando Aponte^2**, Natalie Korsun², Fátima Gutierrez², Ana María Santiago², Ana Karina Ramírez^2***, Carmen Elena Marin², Marthelena Acosta Marín²

¹Servicio Cirugía de Mama
²Servicio Imagenología
³Servicio Anatomía Patológica
^*Coordinador Mastología
^**Coordinador Imagenología
^***Coordinador Anatomía Patológica

Antecedentes

El cáncer de mama es un importante problema de salud pública y la detección temprana mediante mamografía juega un papel crucial en la reducción de las tasas de mortalidad. En los últimos años, la llegada de la inteligencia artificial (IA) ha traído avances significativos en el campo de la interpretación de la mamografía, con el potencial de mejorar la eficiencia y precisión del proceso de diagnóstico¹.

Los algoritmos de IA vienen fundamentalmente a mejorar la detección temprana del cáncer de mama y a ofrecer un diagnóstico más preciso. También vienen a optimizar los procesos incluyendo aquellos relacionados con anatomía patológica, radioterapia, cirugía de la mama, etc. Definitivamente están transformando la forma en que abordamos y analizamos la patología mamaria^{2, 3, 4, 5}.

Los estudios han demostrado la eficacia de los sistemas basados en IA (tanto en mamografía como en ultrasonido) para mejorar la localización de las lesiones y reducir el número de resultados falsos positivos, sin comprometer la sensibilidad general del proceso de detección^4,6.

Bases

Esta última década ha sido denominada como “la década de la IA”. En estos últimos 10 años hemos experimentado el mayor avance en IA. Winsberg y Col en 1967 publicaron uno de los primeros papers sobre análisis computarizado de imágenes de la mama, donde se utilizaba un escáner óptico e interpretado por una computadora según la distribución escala de grises en comparación con la información obtenida de la mama contralateral⁵, desde entonces un importante número de algoritmos se han desarrollado, cada vez más sofisticados^{8, 9}.

Hay muchas áreas de interés de IA en el campo de la imagenología mamaria, pero están en distintas etapas de desarrollo y disponibilidad. La detección de cáncer y la densidad mamaria son las áreas más estudiadas hasta el momento, aunque hay temas como la aplicabilidad en los flujos de trabajos o “workflow” que ya están generando un fuerte impacto en los centros de mama en algunas partes del mundo donde manejan un elevado número de pacientes^{10, 11}.

Utilidad

Densidad Mamaria

Sobre densidad mamaria está ampliamente estudiado que es un marcador de riesgo para cáncer de mama. Bodewes y col demostraron un OR de casi 4 veces para desarrollar cáncer de mama al comparar pacientes con mamas catalogadas con densidad ACR D versus ACR A¹².

Magni V y col utilizaron un algoritmo que consiste en tres redes neuronales convolucionales y compararon la apreciación de 3 imagenólogos expertos en mamografías contra lo arrojado por el algoritmo de IA referente a densidad mamaria y encontraron una coincidencia del 90.4%¹³.

El estudio DENSE evaluó 40373 mujeres con mamas extremadamente densas y resultados normales en mamografía, fueron randomizadas a dos brazos. 861 mujeres asignadas al grupo que incluiría imagen por resonancia magnética (IRM) complementaría al programa de cribado y 32312 mujeres al brazo de mamografía sola. El estudio concluyó que la adición de la IRM al cribado para pacientes con mamas extremadamente densas y mamografía normal resulta en el diagnóstico de un número significativo de menores cáncer de intervalo que utilizando mamografía sola durante un seguimiento de 2 años¹⁴.

Hallazgos como este es de suma importancia ya que nos brinda un esquema de cribado que podemos ofrecer a nuestras pacientes con un factor de riesgo ampliamente conocido (mamas densas) y que incorporando la IA para un análisis objetivo de la misma puede tener repercusión directa en la tasa de detección de lesiones tempranas¹⁵.

Detección de cáncer, efectividad y tiempo de evaluación

La mayoría de la evidencia actual que tenemos deriva de estudios retrospectivos, pero hay dos estudios prospectivos que son mandatorios mencionar sobre detección de cáncer de mama. El primero de ellos El estudio MASAI, del grupo de la Dra Aldana Lång, primer estudio poblacional, prospectivo randomizado controlado de no inferioridad donde evaluaron alrededor de 80 mil mujeres aplicando IA (n=40 003) vs el estándar doble lectura sin IA – grupo control (n=40 030). La diferencia absoluta en la detección de cáncer por 1000 examinados fue 1,0 (IC del 95%: 0,0–2,1), generando una tasa de detección superior para el análisis del algoritmo de IA (hasta un 20%). La tasa de falsos positivos fue la misma en ambos grupos. 36 886 menos lecturas se realizaron en el grupo de intervención en comparación al grupo control, lo que representa una reducción del 44,3% en la carga de trabajo de lectura de pantalla¹¹. La Dra Lång presentó en ECR en Viena 2024, los últimos resultados del estudio tras alcanzar la evaluación de 106 mil pacientes y encontrando una tasa de detección de cáncer del 28% para Transpara^® en relación a los observadores (p=0.002)¹⁶. Estos datos nos brinda información contundente para la aplicabilidad de estos algoritmos en la detección del cáncer de mama en programas de pesquisa o cribado.

El segundo estudio prospectivo es el estudio AITIC en el Hospital Universitario Reina Sofía de Córdoba – España. Este estudio que actualmente está abierto en período de reclutamiento busca reducir la carga de trabajo de los imagenólogos por más del 50% con la utilización de un algoritmo de IA (Transpara^®) con respecto al programa de cribado standard, en aquellos casos de pesquisa catalogados como normales sin reducir la tasa de detección de cáncer de mama. También presentaron resultados preliminares en ECR 2024 y luego de alcanzar 24mil estudios, está demostrando que la estrategia es efectiva y segura: Estudios de pesquisa catalogados como de bajo riesgo pueden ser clasificadas como “normales” con la asistencia de IA de manera automatizada¹⁷.

La utilización de estos algoritmos de IA ha demostrado su no-inferioridad en varios trabajos de investigación. McKinney y col seleccionaron datos de 2 centros en Reino Unido (esquema de pesquisa cada 3 años) y un conjunto de datos de 1 centro académico en los Estados Unidos (esquema de pesquisa cada 1-2 años). 6 observadores independientes evaluaron cerca de 28 mil pacientes y compararon sus resultados con la evaluación de un algoritmo de IA. Con la utilización del algoritmo demostraron una reducción absoluta del 5,7 % y 1,2 % (EE. UU. y Reino Unido) en los falsos positivos y del 9,4 % y 2,7 % en los falsos negativos . El algoritmo IA superó a todos los lectores humanos: el área bajo la curva característica operativa del receptor (AUC-ROC) para el sistema de IA fue mayor que el AUC-ROC del radiólogo promedio por un margen absoluto del 11,5%. El rendimiento del algoritmo en el escenario de doble lectura fue no inferior y redujo la carga de trabajo del segundo lector en un 88%¹⁸.

En el Centro Clínico de la Mama – CECLIM, unidad de patología mamaria en Caracas-Venezuela y centro de análisis de nuevas tecnologías hemos tenido la oportunidad de evaluar algoritmos de IA tanto para mamografía como para ultrasonido mamario, conformando el Circuito Full Smart (CFS), siendo el primer centro a nivel nacional que utiliza algoritmos de IA en todos los estudios morfológicos que ofrece.

brAInray™ es un algoritmo de IA que actualmente estamos utilizando en CECLIM para la evaluación de mamografías como método de apoyo en segunda lectura de la mano de imagenólogos expertos en imágenes mamarias. Es un algoritmo cerrado que se entrena en base a imágenes anteriores. Los algoritmos de aprendizaje automático (machine learning) de brAInray™ se basan en un paradigma de aprendizaje supervisado, donde la máquina aprende mediante ejemplos validados previamente por radiólogos calificados con experiencia comprobada en mamografía. El aprendizaje supervisado es un tipo de aprendizaje automático en el que se entrena un modelo sobre la base de un conjunto de datos de entrenamiento de entrada para los cuales ya se conocen las respuestas correctas correspondientes. Estas respuestas suelen denominarse etiquetas o variables objetivo. La tarea del modelo es aprender a predecir las respuestas correctas para datos nuevos, nunca antes vistos, basándose en la experiencia adquirida en la etapa de aprendizaje. Este algoritmo ofrece información sobre BI-RADS^®, calidad de la imagen y densidad mamaria (Figura 1 y 2). Además genera un informe estructurado con la información resultante del análisis. Genera categorización de microcalcificaciones asistiendo en la toma de decisiones (Fig 3), de igual manera identificación de asimetrías de densidad con grado de sospecha (Fig. 4) y funciona como una especie de “auditor interno” sobre calidad de la imagen desde “perfecta” hasta “inadecuada”.

En la actualidad seguimos generando información y nutriendo algoritmos de inteligencia artificial para optimizar la evaluación de las pacientes que acuden a Unidades de Mama para una excelente mastología. En estos momentos los algoritmos de inteligencia artificial son una herramienta importante para los imagenólogos especialistas en imagenología mamaria que buscan optimizar su tasa de detección y el flujo de trabajo en unidades con alto volumen.

Los algoritmos de IA han demostrado un gran potencial para mejorar la detección temprana y el diagnóstico preciso del cáncer de mama y siguen avanzando en asistencia clínica y aplicación terapéutica. Es crucial abordar los desafíos relacionados con la calidad de los datos, la ética, los sesgos y la integración de estos sistemas en la práctica clínica para garantizar su adopción segura y eficaz.

A medida que la IA se integre cada vez más en la práctica médica y la obtención de más ensayos de Evidencia del Mundo Real (Real World Evidence – RWE), se espera que su uso en mastología continúe evolucionando. Por el momento el abordaje multidisciplinario, multimodal y de complementariedad sigue estando vigente y brindando resultados óptimos, llegando a una elevada precisión cuando incorporamos tecnología como la IA.

Grupo CECLIM:

Cirugía – Mastología: Victor Acosta Marin^*, Victor Acosta Freites

Imagenología: Orlando Aponte^**, Natalie Korsun, Fátima Gutierrez, Ana María Santiago

Anatomía Patológica: Ana Karina Ramírez^***, Carmen Elena Marin, Marthelena Acosta Marín

^*Coordinador Mastología
^**Coordinador Imagenología
^***Coordinador Anatomía Patológica

Fig 1. Paciente de 76 años de edad con lesión palpable en mama derecha. brAInray lo catalogó como BI-RADS 5. La evaluación anatomopatológica de la biopsia percutánea arrojó Carcinoma Ductal Inltrante (grado histológico 2), Luminal A.

Fig 2. Categorización de densidad mamaria según la 4ta edición del B-RADs® del Colegio Americano de Radiología (ACR). A) ACR A, B) ACR B, C) ACR C

Fig. 3. Paciente de 78 años de edad con microcalcicaciones identificadas tanto por el Imagenólogo como por brAInray como sin grado de sospecha, BI-RADS^® 2. Seguimiento anual.

Fig 4. Paciente de 75 años de edad que consulta por mamografía de pesquisa y el estudio demuestra una asimetría de densidad en la mama derecha que categoriza como una lesión de sospecha BI-RADS^® 4. La lesión resultó ser un Carcinoma Ductal Inltrante (grado histológico 2), Luminal B.

Referencias Bibliográficas

1. Díaz O, Rodríguez-Ruíz A, Sechopoulos I. Articial Intelligence for breast cancer detection: Technology, challenges, and prospects. Eur J Radiol. 2024 Jun;175:111457. doi: 10.1016/j.ejrad.2024.111457. Epub 2024 Apr 16. PMID: 38640824.
2. Larsen M, Olstad CF, Koch HW, Martiniussen MA, Hoff SR, Lund-Hanssen H, Solli HS, Mikalsen KØ, Auensen S, Nygård J, Lång K, Chen Y, Hofvind S. AI Risk Score on Screening Mammograms Preceding Breast Cancer Diagnosis. Radiology. 2023 Oct;309(1):e230989. doi: 10.1148/ radiol.230989. PMID: 37847135.
3. Alexander A, Jiang A, Ferreira C, Zurkiya D. An Intelligent Future for Medical Imaging: A Market Outlook on Articial Intelligence for Medical Imaging. J Am Coll Radiol. 2020 Jan;17(1 Pt B):165-170. doi: 10.1016/j.jacr.2019.07.019. PMID: 31918875.
4. Larsen M, Olstad CF, Koch HW, Martiniussen MA, Hoff SR, Lund-Hanssen H, Solli HS, Mikalsen KØ, Auensen S, Nygård J, Lång K, Chen Y, Hofvind S. AI Risk Score on Screening Mammograms Preceding Breast Cancer Diagnosis. Radiology. 2023 Oct;309(1):e230989. doi: 10.1148/ radiol.230989. PMID: 37847135.
5. Kaidar-Person O, Antunes M, Cardoso JS, Ciani O, Cruz H, Di Micco R, Gentilini OD, Gonçalves T, Gouveia P, Heil J, Kabata P, Lopes D, Martinho M, Martins H, Mavioso C, Mika M, Montenegro H, Oliveira HP, Pfob A, Rotmensz N, Schinköthe T, Silva G, Tarricone R, Cardoso MJ; CINDERELLA Consortium. Evaluating the ability of an articial-intelligence cloud-based platform designed to provide information prior to locoregional therapy for breast cancer in improving patient’s satisfaction with therapy: The CINDERELLA trial. PLoS One. 2023 Aug 3;18(8):e0289365. doi: 10.1371/ journal.pone.0289365. PMID: 37535564; PMCID: PMC10399739.
6. Mango VL, Sun M, Wynn RT, Ha R. Should We Ignore, Follow, or Biopsy? Impact of Articial Intelligence Decision Support on Breast Ultrasound Lesion Assessment. AJR Am J Roentgenol. 2020 Jun;214(6):1445-1452. doi: 10.2214/ AJR.19.21872. Epub 2020 Apr 22. Erratum in: AJR Am J Roentgenol. 2020 Jul;215(1):262. doi: 10.2214/AJR.20.23388. PMID: 32319794; PMCID: PMC8162774.
7. Winsberg F, Elkin M, Macy J, Bordaz V, Weymouth W.Detection of Radiographic Abnormalities in Mammograms by Means of Optical Scanning and Computer Analysis Radiology 1967 89:2, 211-215. https://doi.org/10.1148/89.2.211
8. Bahl M. Updates in Articial Intelligence for Breast Imaging. Semin Roentgenol. 2022 Apr;57(2):160-167. doi: 10.1053/ j.ro.2021.12.005. Epub 2021 Dec 31. PMID: 35523530; PMCID: PMC9077006.
9. Sechopoulos I, Teuwen J, Mann R. Articial intelligence for breast cancer detection in mammography and digital breast tomosynthesis: State of the art. Semin Cancer Biol. 2021 Jul;72:214-225. doi: 10.1016/j.semcancer.2020.06.002. Epub 2020 Jun 9. PMID: 32531273.
10. Taylor CR, Monga N, Johnson C, Hawley JR, Patel M. Articial Intelligence Applications in Breast Imaging: Current Status and Future Directions. Diagnostics (Basel). 2023 Jun 13;13(12):2041. doi: 10.3390/diagnostics13122041. PMID: 37370936; PMCID: PMC10296832.
11. Lång K, Josefsson V, Larsson AM, Larsson S, Högberg C, Sartor H, Hofvind S, Andersson I, Rosso A. Articial intelligence-supported screen reading versus standard double reading in the Mammography Screening with Articial Intelligence trial (MASAI): a clinical safety analysis of a randomised, controlled, non-inferiority, single-blinded, screening accuracy study. Lancet Oncol. 2023 Aug;24(8):936-944. doi: 10.1016/S1470 2045(23)00298-X. PMID: 37541274.
12. Bodewes FTH, van Asselt AA, Dorrius MD, Greuter MJW, de Bock GH. Mammographic breast density and the risk of breast cancer: A systematic review and meta-analysis. Breast. 2022 Dec;66:62-68. doi: 10.1016/j.breast.2022.09.007. Epub 2022 Sep 26. PMID: 36183671; PMCID: PMC9530665.
13. Magni V, Cozzi A, Schiafno S, Colarieti A, Sardanelli F. Articial intelligence for digital breast tomosynthesis: Impact on diagnostic performance, reading times, and workload in the era of personalized screening. Eur J Radiol. 2023 Jan;158:110631. doi: 10.1016/j.ejrad.2022.110631. Epub 2022 Dec 2. PMID: 36481480.
14. Bakker MF, de Lange SV, Pijnappel RM, Mann RM, Peeters PHM, Monninkhof EM, Emaus MJ, Loo CE, Bisschops RHC, Lobbes MBI, de Jong MDF, Duvivier KM, Veltman J, Karssemeijer N, de Koning HJ, van Diest PJ, Mali WPTM, van den Bosch MAAJ, Veldhuis WB, van Gils CH; DENSE Trial Study Group. Supplemental MRI Screening for Women with Extremely Dense Breast Tissue. N Engl J Med. 2019 Nov 28;381(22):2091-2102. doi: 10.1056/NEJMoa1903986. PMID: 31774954.
15. González CR, Gordillo AL, Acosta V. Estrategias de pesquisa en mujeres de alto riesgo para cáncer de mama: revisión de la literatura, Rev Senol Patol Mamar, 37 (2024) 100594. https://doi.org/10.1016/j.senol.2024.100594.
16. K. Lång, Cancer detection in relation to type and stage in the randomised Mammography Screening with Articial Intelligence trial (MASAI), European Congress of Radiology, Vienna, Austria, 2024.
17. Elías EC, Articial Intelligence in Breast Cancer Screening Programs in Córdoba (AITIC) – Clinical Study ID NCT04949776 AITIC, European Congress of Radiology, Vienna, Austria, 2024. McKinney SM, Sieniek M, Godbole V, Godwin J, Antropova N, Ashraan H, Back T, Chesus M, Corrado GS, Darzi A, Etemadi M, Garcia-Vicente F, Gilbert FJ, Halling-Brown M, Hassabis D, Jansen S, Karthikesalingam A, Kelly CJ, King D, Ledsam JR, Melnick D, Mosto H, Peng L, Reicher JJ, Romera-Paredes B, Sidebottom R, Suleyman M, Tse D, Young KC, De Fauw J, Shetty S. International evaluation of an AI system for breast cancer screening. Nature. 2020 Jan;577(7788):89-94. doi: 10.1038/s41586-019-1799-6. Epub 2020 Jan 1. Erratum in: Nature. 2020 Oct;586(7829):E19. doi: 10.1038/s41586-020-2679-9. PMID: 31894144.
18. McKinney SM, Sieniek M, Godbole V, Godwin J, Antropova N, Ashraan H, Back T, Chesus M, Corrado GS, Darzi A, Etemadi M, Garcia-Vicente F, Gilbert FJ, Halling-Brown M, Hassabis D, Jansen S, Karthikesalingam A, Kelly CJ, King D, Ledsam JR, Melnick D, Mosto H, Peng L, Reicher JJ, Romera-Paredes B, Sidebottom R, Suleyman M, Tse D, Young KC, De Fauw J, Shetty S. International evaluation of an AI system for breast cancer screening. Nature. 2020 Jan;577(7788):89-94. doi: 10.1038/s41586-019-1799-6. Epub 2020 Jan 1. Erratum in: Nature. 2020 Oct;586(7829):E19. doi: 10.1038/s41586-020-2679-9. PMID: 31894144.