En Microsoft’s AI for Good Lab, hemos estado trabajando con socios de la Universidad de Washington, el Centro de Cáncer de Fred Hutchinson y otras instituciones para explorar si la inteligencia synthetic puede ayudar a aportar mayor claridad, precisión y confianza en la detección del cáncer de mama.
Esta semana, nuestro equipo de investigación conjunta publicó los resultados de un nuevo estudio publicado en Radiologíadetallando un enfoque prometedor de IA que tiene como objetivo no solo detectar el cáncer, sino hacerlo de una manera en que los radiólogos puedan confiar y los pacientes puedan entender.
El doHallenges con dourrente bréplica doantero sde cría
El cáncer de mama es el cáncer más común entre las mujeres en todo el mundo. Solo en los Estados Unidos, una de cada ocho mujeres será diagnosticada con cáncer de seno en su vida. La detección temprana a través de la detección es la herramienta más poderosa disponible para salvar vidas, con una reducción del 20% al 40% en la mortalidad para mujeres de 50 a 69 años, pero sigue siendo una ciencia imperfecta.
La resonancia magnética (MRI) se encuentra entre las herramientas de detección más sensibles disponibles, especialmente para mujeres con mayor riesgo. Pero a pesar de toda su sensibilidad, la resonancia magnética viene con compensaciones graves: altas tasas de falsos positivos, un aumento significativo de la ansiedad para los pacientes y biopsias innecesarias. El problema es especialmente agudo para los casi el 50% de las mujeres que tienen tejido mamario denso, una condición que no solo aumenta el riesgo de cáncer de mama, sino que también hace que sea más difícil detectar anormalidades a través de métodos de imágenes tradicionales como las mamografías.
Con demasiada frecuencia, estos desafíos se traducen en una ecuación preocupante: más escaneos, más incertidumbre y más procedimientos de seguimiento que resultan ser innecesarios. De hecho, solo una fracción pequeña, menos del 5%, de mujeres que se someten a una detección de resonancia magnética de mama se diagnostica en última instancia con cáncer.
A smarter metroOdel, built para el riñonalhacer world
El modelo, llamado FCDD (descripción de datos totalmente convolucionales), se basa en la detección de anomalías en lugar de la clasificación estándar. Ese es un cambio importante. En lugar de tratar de aprender cómo se ve cada posible cáncer, el modelo aprende cómo se ven los escaneos de senos normales y marca cualquier cosa que se desvía.
Este enfoque es particularmente efectivo en los entornos de detección del mundo actual donde el cáncer es raro y las anormalidades son muy variadas. En un conjunto de datos de más de 9,700 exámenes de resonancia magnética de mama, el modelo se probó en escenarios de alta y baja prevalencia, incluidas las poblaciones de detección realistas donde solo el 1.85% de los escaneos contenían cáncer.
Esto es lo que encontramos:
- Precisión mejorada en poblaciones de baja prevalencia: FCDD superó a los modelos de IA tradicionales para identificar neoplasias malignas, al tiempo que scale back drásticamente los falsos positivos. En la configuración comparable a la detección, logró el doble del valor predictivo positivo de los modelos estándar y redujo las falsas alarmas en más del 25%.
- Explicación excepcional: a diferencia de la mayoría de los modelos de IA, FCDD no solo da un “sí” o “no”, sino que genera mapas de calor que destacan visualmente la ubicación sospecha de tumores en la proyección de resonancia magnética bidimensional. Estos mapas de explicación coincidieron con las anotaciones retrospectivas de radiólogos expertos con una precisión del 92% (AUC de píxeles), superando con creces otros modelos.
- Generalizabilidad en todas las instituciones: sin capacitación, el modelo mantuvo un alto rendimiento en un conjunto de datos externos disponibles públicamente y un conjunto de datos interno independiente, lo que sugiere un fuerte potencial para una adopción clínica más amplia.
Haciendo AI impáctico, norteAntiguo Testamento jUST imazonado
Este modelo es más que un logro técnico. Es un paso para hacer AI útil En los flujos de trabajo clínicos, proporcionando el soporte de clasificación, la reducción del tiempo dedicado a los casos normales y enfocando la atención de los radiólogos donde más importa. Al mejorar la especificidad en umbrales de alta sensibilidad (95-97%), el modelo podría ayudar a reducir las devoluciones y biopsias innecesarias, aliviando las cargas emocionales y financieras para los pacientes.
Es importante destacar que el código y la metodología se han abierto a la comunidad de investigación. Puedes explorar el proyecto aquí: Repositorio de Githuby el papel aquí.
Como con toda la IA en la atención médica, el camino hacia el impacto requiere más que los algoritmos. Requiere confianza. La confianza se basa no solo en las métricas de rendimiento, sino también por la transparencia, la interpretabilidad y una comprensión clara del contexto clínico en el que se implementan estas herramientas.
Dónde wmi gramoo de Hantes de
Todavía tenemos trabajo por delante. El modelo deberá probarse prospectivamente en poblaciones clínicas más grandes y diversas. Pero los resultados son prometedores, y marcan un cambio importante en cómo pensamos sobre el papel de la IA en la medicina. En lugar de pedirle a los médicos que confíen en una caja negra, estamos construyendo modelos que arrojan luz sobre lo que ven y por qué.
“We’re very optimistic concerning the potential of this new AI mannequin, not just for its elevated accuracy over different fashions in figuring out cancerous areas however its skill to take action utilizing solely minimal picture knowledge from every examination. Importantly, this AI instrument could be utilized to abbreviated contrast-enhanced breast MRI exams in addition to full diagnostic protocols, which can additionally assist in shortening each scan instances and interpretation instances,” stated Savannah Partridge, Professor of Radiology at La Universidad de Washington y el autor principal del estudio. “Estamos entusiasmados de dar los próximos pasos para evaluar su utilidad para mejorar el rendimiento del radiólogo y los flujos de trabajo clínicos”.
La IA no reemplazará a los radiólogos. Pero con el diseño y la supervisión correctos, puede darles herramientas más nítidas y señales más claras para aumentar la confianza en la evaluación de casos difíciles.
El cáncer de mama es un desafío international. Con IA, tenemos la oportunidad de detectarlo antes, reducir las intervenciones innecesarias y, en última instancia, salvar más vidas. Es un futuro para el que vale la pena construir: un píxel, un escaneo y un avance a la vez.
