Cada año, unas  6.000 mujeres mueren de cáncer de mama solo en España, aunque, cuando la enfermedad se detecta de forma temprana, la tasa de curación es alta. Para ello, la mamografía es la prueba más eficaz disponible. El problema es que siguen siendo imperfectas y, a menudo, dan lugar a falsos positivos que pueden conducir a biopsias y cirugías innecesarias.  La causa más común de estos falsos diagnósticos son las llamadas lesiones de “alto riesgo”, que parecen sospechosas en las mamografías y presentan células anormales cuando se analizan mediante biopsia con aguja. En este caso, el paciente habitualmente es sometido a una intervención para extirpar la lesión. Sin embargo, los resultados de esta prueba invasiva suelen toparse con tumores benignos en el 90% de los casos. Esto significa que cada año miles de mujeres pasan por cirugías dolorosas, costosas e inductoras de cicatrices que ni siquiera eran necesarias.

Para eliminar las operaciones innecesarias y mantener el papel importante de la mamografía en la detección del cáncer, investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (Csail) del MIT, el Hospital General de Massachussetts y la Escuela de Medicina de Harvard, creen que la respuesta es recurrir a la inteligencia artificial.

 “Cuando hay tanto incertidumbre en los datos, el aprendizaje automático es exactamente la herramienta que necesitamos para mejorar la detección y evitar el exceso del invasivo tratamiento”

Como primer proyecto para aplicar la inteligencia artificial para mejorar la detección y el diagnóstico, los investigadores colaboraron para desarrollar un sistema de inteligencia artificial que utiliza el aprendizaje automático para predecir si una lesión de alto riesgo identificada en la biopsia con aguja después de una mamografía, se será diagnosticada como cáncer en la cirugía. Probado en 335 casos de alto riesgo, el modelo detectó correctamente el 97% de los cánceres de mama como malignos y redujo el número de intervenciones en pacientes con tumores benignos en más del 30% en comparación con los enfoques existentes.

“Debido a que las herramientas de diagnóstico son tan inexactas, existe una tendencia a detectar el cáncer de mama en exceso”, comenta Regina Barzilay, investigadora del MIT y superviviente de la enfermedad. “Cuando hay tanto incertidumbre en los datos, el aprendizaje automático es exactamente la herramienta que necesitamos para mejorar la detección y evitar el exceso del invasivo tratamiento”. Por eso, el proyecto ha recopilado información sobre 600 pacientes buscando patrones entre muchos otros elementos de datos diferentes como demografía, antecedentes familiares, biopsias pasadas e informes de la patología.  

"Hasta donde sabemos, este es el primer estudio que aplica el aprendizaje automático a la tarea de distinguir las lesiones de alto riesgo que requieren cirugía de las que no", señala la Constance Lehman, profesora de la Facultad de Medicina de Harvard y directora de Breast Imaging Division en el Departamento de Radiología del Massachusetts General Hospital (MGH). "Creemos que esto podría ayudar a las mujeres a tomar decisiones más informadas sobre su tratamiento, y que podríamos proporcionar enfoques más específicos para la atención médica en general".

Las investigadoras Manisha Bahl, Regina Barzilay y Constance Lehman. 

CÓMO FUNCIONA

Cuando una mamografía detecta una afección sospechosa, se realiza una biopsia con aguja para determinar si se trata de cáncer. Aproximadamente el 70% son benignas, el 20% malignas, y el 10%, lesiones de alto riesgo. En esos últimos supuestos, los médicos manejan la patología de diferentes maneras. Algunos proceden a la intervención en todos los casos, mientras que otros la reservan solo para las lesiones que tienen índices de cáncer más altos, como"hiperplasia ductal atípica" (ADH) o "carcinoma lobular in situ" (LCIS). El primer enfoque requiere que el paciente se someta a una cirugía dolorosa, lenta y costosa que generalmente es innecesaria; el segundo enfoque es impreciso y podría dar lugar a tumores faltantes en lesiones de alto riesgo distintas de ADH y LCIS.

"La gran mayoría de los pacientes con lesiones de alto riesgo no tienen cáncer, y estamos tratando de encontrar los pocos que sí lo hacen", apunta Manisha  Bahl,  médico del Departamento de Radiología del MGH. "En un escenario como este siempre existe el riesgo de que cuando intente aumentar el número de cánceres que puede identificar, también aumentará la cantidad de falsos positivos que encuentre".

"Si el modelo determina que la lesión tiene muy pocas probabilidades de ser cancerosa en un paciente específico, podemos tener una discusión más informada con nuestro paciente sobre sus opciones"

Utilizando un método conocido como clasificador de bosque aleatorio, el modelo de los investigadores dio como resultado menos cirugías innecesarias, en comparación con la estrategia de realizar siempre las intervenciones, a la vez que puede diagnosticar más lesiones cancerosas que la estrategia de solo hacer cirugía en lesiones de alto riesgo (el 97% en comparación con el 79%). "En este trabajo destaca un ejemplo del uso de la tecnología de aprendizaje automático para evitar una cirugía innecesaria", asegura Marc Kohli, director de informática clínica en el Departamento de Radiología e Imágenes Biomédicas de la Universidad de California, en San Francisco. "Este es el primer paso hacia la comunidad médica que adopta el aprendizaje automático como una forma de identificar patrones y tendencias que de otro modo serían invisibles para los humanos".

INCORPORACIÓN CASI INMEDIATA

Lehman explica que los radiólogos de MGH comenzarán a incorporar el modelo en su práctica clínica durante el próximo año. "En el pasado, podríamos haber recomendado que todas las lesiones de alto riesgo fueran extirpadas quirúrgicamente", incide. "Pero ahora, si el modelo determina que la lesión tiene muy pocas probabilidades de ser cancerosa en un paciente específico, podemos tener una discusión más informada con nuestro paciente sobre sus opciones. Es razonable que en algunos casos se dé un seguimiento de las imágenes, en lugar de escindirlas quirúrgicamente”.

Eso sí, los investigadores continúan trabajando para perfeccionar el modelo."Próximamente esperamos incorporar las imágenes reales de los mamogramas y las imágenes de las diapositivas de patología, así como una información más amplia del paciente de los registros médicos", adelanta Bahl. En el futuro, además, el modelo también podría ajustarse fácilmente para aplicarse a otros tipos de cáncer e incluso a otras enfermedades. "Un modelo como este funcionará cada vez que se tengan muchos factores diferentes que se correlacionen con un resultado específico", concluye Barzilay. "Esperamos que nos permita comenzar a ir más allá de un enfoque único para el diagnóstico médico".