Hacia modelos sólidos de riesgo de cáncer de mama basados en la mamografía
Desarrollada por el MIT y Mass General Brigham
Las mamografías son una forma común pero imperfecta de evaluar el riesgo de cáncer de mama. Todas las directrices actuales de cribado del cáncer de mama en EE.UU. utilizan un componente de evaluación del riesgo de cáncer para informar el curso clínico. Yala et al. desarrollaron un modelo de aprendizaje automático denominado «Mirai» para predecir el riesgo de cáncer de mama a partir de las mamografías tradicionales.
El modelo de riesgo de los autores funcionó mejor que Tyrer-Cuzick y que los modelos de aprendizaje profundo anteriores a la hora de identificar tanto el riesgo de cáncer de mama a 5 años como a las pacientes de alto riesgo en múltiples cohortes internacionales. Mirai también funcionó de manera similar en todas las categorías de raza y etnia, lo que sugiere el potencial de mejora en la atención al paciente en todos los ámbitos
Mirai analiza mamografías y genera un score de riesgo personalizado a 5 años.
Superó a modelos tradicionales como Tyrer-Cuzick en EE.UU., Suecia, Taiwán y otros paísesUtiliza deep learning para detectar patrones invisibles al ojo humano.
Fue entrenada con más de 2 millones de imágenes.
Predice el riesgo sin necesidad de historial familiar, y funciona en mujeres de distintas edades, razas y densidades mamarias.
Validada con 1.7 millones de mamografías de 7 países distintos.
Ya está activa en 48 hospitales del mundo, incluso en regiones con pocos recursos gracias al apoyo de Welcome Trust
En el Hospital Santa Marcelina (Brasil), ya se analizaron más de 6,000 mamografías con Mirai.
En Nigeria está ayudando a aumentar una tasa de supervivencia que apenas era del 40%.
Los resultados están siendo contundentes
Mirai puede reemplazar las guías “one-size-fits-all” con diagnósticos ajustados al riesgo real.
Los estudios indican que puede reducir los cánceres avanzados en 18 de cada 1,000 casos detectados.
Más precisión, menos muertes, menos gastos
El código es open-source y los hospitales ya lo están adoptando.
Improved breast cancer risk models enable targeted screening strategies that achieve earlier detection and less screening harm than existing guidelines. To bring deep learning risk models to clinical practice, we need to further refine their accuracy, validate them across diverse populapopulations, and demonstrate their potential to improve clinical workflows. We developed Mirai, a mammography-based deep learning model designed to predict risk at multiple timepoints, leverage potentially missing risk factor information, and produce predictions that are consistent across mammography machines. Mirai was trained on a large dataset from Massachusetts General Hospital (MGH) in the United States and tested on held-out test sets from MGH, Karolinska University Hospital in Sweden, and Chang Gung Memorial Hospital (CGMH) in Taiwan, obtaining C-indices of 0.76 (95% confidence interval, 0.74 to 0.80), 0.81 (0.79 to 0.82), and 0.79 (0.79 to 0.83), respectively. Mirai obtained significantly higher 5-year ROC AUCs than the Tyrer-Cuzick model (P < 0.001) and prior deep learning models Hybrid DL (P < 0.001) and Image-Only DL (P < 0.001), trained on the same dataset. Mirai more accurately identified high-risk patients than prior methods across all datasets.
On the MGH test set, 41.5% (34.4 to 48.5) of patients who would develop cancer within 5 years were identified as high risk, compared with 36.1% (29.1 to 42.9) by Hybrid DL (P = 0.02) and 22.9% (15.9 to 29.6) by the Tyrer-Cuzick model (P < 0.001).
science. org/doi/10.1126/scitranslmed.aba4373
No hay comentarios:
Publicar un comentario