El cáncer de mama es un problema de salud pública de gran envergadura, y la mamografía se ha establecido como la técnica de imagen primordial para el cribado del cáncer de mama, contribuyendo notablemente a la disminución de la mortalidad por esta enfermedad. La densidad mamaria, medida como el porcentaje de tejido fibroglandular en relación con el área total de la mama, es un indicador de riesgo para el cáncer de mama. Los avances en métodos computacionales, incluyendo algoritmos de Inteligencia Artificial, han perfeccionado la estimación de la densidad mamaria a partir de mamografías digitales.
La delimitación precisa del tejido mamario es un paso crítico para la estimación de la densidad mamaria. La estandarización de la segmentación del tejido mamario es vital para garantizar la coherencia y precisión en el análisis, sobre todo en programas de cribado masivos. La herramienta ITI Breast permite el cálculo de la densidad mamaria mediante la implementación de dos modelos de segmentación: segmentación del tejido mamario, y segmentación del tejido fibroglandular. El modelo de segmentación del tejido mamario previamente implementado estaba basado en umbrales y manipulaciones morfológicas, y tenía una limitación la cual era la dificultad de excluir el músculo pectoral en mamografías de vista craneocaudales (CC), lo cual influía en el cálculo del porcentaje de densidad. Como mejora de la herramienta ITI Breast se ha desarrollado un nuevo modelo de segmentación de la mama basado en un modelo reciente de Inteligencia Artificial.
El modelo Segment Anything Model (SAM), desarrollado por META AI, representa el estado del arte en la segmentación de imágenes. Sin embargo, debido a que este modelo originalmente fue entrenado con imágenes de objetos naturales su desempeño en imágenes médicas no es la esperada. Por lo que las investigaciones recientes se centran en la adaptación del modelo SAM para su aplicación en imágenes médicas. En ese sentido, en el ITI hemos desarrollado el modelo SAM Breast para la segmentación de la mama, dicho modelo fue incorporado en la herramienta ITI Breast para el cálculo del porcentaje de densidad.
Los resultados del modelo SAM Breast han sido publicados en la revista Diagnostics. Este estudio presenta el modelo SAM Breast, una adaptación del modelo SAM para la segmentación del tejido mamario en mamografías. Este método mejora la delimitación de la mama y la exclusión del músculo pectoral en vistas medio laterales-oblicuas (MLO) y craneocaudales (CC). Los modelos se entrenaron utilizando un conjunto de datos propio y multicéntrico de 2492 mamografías. El modelo SAM Breast propuesto obtiene un coeficiente DICE promedio de 99.22% en mamografías provenientes de cinco conjuntos de datos de prueba diferentes (dos propios y tres de acceso público). Los resultados son consistentes en los diferentes conjuntos de datos, independientemente del proveedor o la resolución de la imagen. Además, comparado con otros modelos basados en Inteligencia Artificial, SAM Breast obtiene mejores resultados en todos los conjuntos de datos.
El modelo SAM Breast demuestra la capacidad de adaptación del SAM cuando se personaliza para tareas específicas, en este caso, la delimitación de la mama en mamografías digitales. Evaluaciones exhaustivas en conjuntos de datos diversos, tanto privados como públicos, dan fe de la solidez, flexibilidad y capacidad de generalización del modelo.
El nuevo modelo de segmentación de la mama fue incorporado a la herramienta ITI Breast, que junto con el modelo de segmentación del tejido denso (CM-YNet) consigue calcular con alta fiabilidad el porcentaje de densidad (PD), considerado un biomarcador relevante para la predicción del riesgo a desarrollar cáncer de mama. La principal ventaja del cálculo automático del porcentaje de densidad con la herramienta ITI Breast con respecto al cálculo manual es la baja intra-variabilidad que presenta, es decir, sobre una misma imagen siempre se obtendrá el mismo resultado las veces que se procese.
La herramienta ITI Breast está siendo utilizada por el Instituto de Investigaciones Hospital del Mar (IMIM), con fines de investigación y para la validación de los modelos. De esta manera, se busca consolidar la herramienta desarrollada dentro del ITI dentro del ámbito de aplicación de la predicción de riesgo de cáncer de mama.
Este trabajo se ha realizado en el marco del proyecto PANAKEIA, financiado por Instituto Valenciano de la Competitividad Empresarial (IVACE) y el Fondo Europeo de Desarrollo Regional (FEDER) con número de expediente IMDEEA/2023/92, y del proyecto europeo EUCAIM, financiado por la Comisión Europea con número de expediente 101100633. Ambos proyectos están destinados a la lucha contra el cáncer. PANAKEIA tiene como objetivo desarrollar herramientas de ayuda para el ámbito sanitario basadas en modelos de Inteligencia Artificial, mientras que EUCAIM aspira a convertirse en el buque insignia del Plan Europeo de Lucha contra el Cáncer para fomentar la innovación e implementación de tecnologías digitales en el tratamiento y el cuidado del cáncer.