La salud es un ámbito que puede beneficiarse sobremanera de las bondades de la Inteligencia Artificial (IA), en particular del aprendizaje automático (ML del inglés Machine Learning). En ITI no solo creemos en esta idea, sino que tratamos de llevarla a cabo. El desafío que tenemos por delante es conseguir modelos robustos que estiman algún patrón clínico, dado que un error del modelo puede tener consecuencias importantes para un paciente. Es por ello que, implementar buenas prácticas en el desarrollo de herramientas basadas en IA, así como buscar, a través de la investigación, métodos que permitan interpretar modelos de IA y mitigar la influencia de posibles fuentes de sesgo es clave para: (1) que el facultativo clínico pueda confiar y sacar rendimiento de la IA y (2) que los que nos dedicamos a defender las bondades de la IA podamos seguir mejorando y levantar la voz sin miedo.
Dentro del marco del proyecto BIGSALUD3 abordamos diferentes retos clínicos, entre ellos, la validación de una herramienta en colaboración con el Institut Hospital del Mar d’Investigacions Mèdiques (IMIM). Esta herramienta que hemos bautizado como ITI BREAST Calculate, se encarga de identificar/segmentar de manera automática un tejido de interés para la línea de investigación estratégica de cáncer de mama.
Tratemos de motivar el reto. Esta área, el tejido denso, identifica un extendido marcador de imagen que permite evaluar, en los programas de cribado, el riesgo de que una mujer desarrolle cáncer de mama. El análisis de este marcador en la práctica clínica se hace de manera visual por los especialistas en radiología y, según el estudio de Kuhl[i], un especialista experimentado puede evaluar hasta 50 mamografías por hora. El INE publicaba en 2021 que había un total de 6.442.803 mujeres entre 50 y 69 años en España, si establecemos que, la periodicidad de la captura de mamografías, en los programas de cribado es de 2 años en la mayoría de los casos, y que lo común es que se recojan dos mamografías por mama, se obtiene que anualmente el número de imágenes a analizar en los programas de cribado es de 12.885.604. No hay que ser Hipatia de Alejandría para darse cuenta que el número de horas necesarias de especialistas en radiología para esta tarea es desorbitado. Y eso únicamente teniendo en cuenta la práctica clínica diaria. Además, debemos tener en cuenta que existen investigaciones que necesitan caracterizar este tejido en conjuntos de mamografías que abarcan largos periodos de tiempo. Sin lugar a duda, sería fácil que los especialistas se mostrasen reticentes a caracterizar tal ingente cantidad de mamografías. Con lo que queda más que motivada la utilidad de la creación de una herramienta para resolver esta tarea, tanto en el ámbito clínico, como en el de investigación.
ITI BREAST Calculate está basado en Deep Learning y estima el tejido denso en mamografías digitales. El sistema ha sido entrenado, buscando capacidad de generalización ya que la tarea tiene una fuerte componente subjetiva, con la opinión de dos especialistas; además, es capaz de mitigar la variabilidad de la disparidad de los dispositivos de adquisición, utilizando principios de geometría de la información. Como se ha mencionado anteriormente, la validación de este sistema se está llevando a cabo dentro del marco del proyecto BIGSALUD3, con un dataset totalmente ajeno al proceso de entrenamiento (500 mamografías aportadas por IMIM) y consta de dos etapas:
- Etapa de etiquetado. Dos especialistas y el sistema automático etiquetan el área de interés en las 500 mamografías.
- Etapa de evaluación. Un tercer especialista, de manera ciega, califica lo de acuerdo que está con cada una de las 1500 segmentaciones que se le presenten.
Una vez se haya validado el modelo de segmentación de ITI BREAST Calculate, la idea es poder utilizarla en el futuro, (¿BIGSALUD4?) para caracterizar este tejido en conjuntos de mamografías retrospectivos. Esto nos permitirá mejorar y validar otra de nuestras herramientas, ITI BREAST Predict, que se encarga de estimar el riesgo de que una paciente desarrolle cáncer de mama en un periodo de dos años a partir de sus mamografías. Esta funcionalidad podría servir como una herramienta de ayuda a la decisión clínica y que permitiría fijar de una manera más personalizada la periodicidad de las visitas a los programas de cribado.
[i] Kuhl, C. K. (2015). The changing world of breast cancer: a radiologist’s perspective. Investigative radiology, 50(9), 615.
