El documento titulado “Impacto de los Biomarcadores de Imagen y la IA en el Manejo del Cáncer de Mama: Una Breve Revisión” aborda el uso de biomarcadores de imagen y la inteligencia artificial (IA) en la gestión del cáncer de mama. Este trabajo ha sido realizado por un equipo de investigadores de diversas instituciones académicas y médicas, incluyendo la Facultad de Medicina de la Universidad de Mansoura en Egipto, el Colegio de Ingeniería de la Universidad Estatal de Pensilvania en EE.UU., y el Departamento de Bioingeniería de la Universidad de Louisville en EE.UU.
El objetivo del estudio es mejorar la capacidad de los radiólogos para atender las necesidades personalizadas de los pacientes con cáncer de mama, proporcionando una revisión concisa de los avances en técnicas de mamografía, ultrasonografía, resonancia magnética (MRI), imágenes PET/CT y técnicas emergentes como la imagen molecular de mama (MBI). Se destacan los beneficios potenciales de la IA, el aprendizaje automático (ML) y el aprendizaje profundo (DL) en la segmentación, detección y diagnóstico del cáncer de mama, así como en la predicción temprana de la respuesta de los tumores a la quimioterapia neoadyuvante (NAC).
Metodología
Se utilizó una estrategia de búsqueda exhaustiva para identificar estudios relevantes publicados antes de julio de 2023. Las bases de datos incluidas fueron Embase, Web of Science, PubMed y Google Scholar. Se utilizaron términos de búsqueda como “breast cancer”, “BI-RADS”, “detection”, “diagnosis”, “management”, combinados con “machine learning”, “ML”, “artificial intelligence”, “AI”, y “deep learning” (DL).
Se realizó un examen manual de artículos en inglés publicados antes de julio de 2023. La revisión se centró en la investigación reciente sobre imágenes de cáncer de mama llevada a cabo en la última década. Se incluyeron estudios originales publicados, aceptados para publicación o disponibles en línea, y se incorporaron consideraciones de sexo o edad en los estudios seleccionados.
Resultados
Actualizaciones de BI-RADS
El sistema BI-RADS (Breast Imaging Reporting and Data System), introducido por el Colegio Americano de Radiología (ACR), ha evolucionado para incluir nuevas técnicas de imagen. Desde su primera edición en 1992, ha pasado por varias actualizaciones, siendo la quinta edición publicada en febrero de 2014 la más reciente. Esta versión incluye terminología estandarizada para mamografía, ultrasonografía (US) y resonancia magnética (MRI), eliminando ambigüedades y mejorando la comunicación entre radiólogos y clínicos.
Avances en Técnicas de Mamografía
Las técnicas avanzadas de mamografía como la tomosíntesis digital de mama (DBT) y la mamografía con contraste (CEM) han demostrado mejorar significativamente la detección del cáncer de mama. La DBT reduce la superposición de tejido en mamas densas, permitiendo una visualización más clara y precisa. La CEM, que utiliza un agente de contraste intravenoso, ha mostrado tener un rendimiento diagnóstico equivalente a la resonancia magnética con contraste (CE-MRI) para la detección del cáncer de mama.
Hallazgos en Ultrasonografía
La ultrasonografía (US) es un complemento valioso para la mamografía y la MRI. Técnicas avanzadas como la elastografía por ultrasonido (USE) y el ultrasonido con contraste (CEUS) han mejorado la precisión diagnóstica, especialmente en lesiones pequeñas. La elastografía mide la rigidez del tejido, siendo útil para diferenciar entre lesiones benignas y malignas. El CEUS, que visualiza la microvascularización de las lesiones, ha demostrado alta sensibilidad y especificidad.
Resonancia Magnética (MRI)
La MRI ofrece la mayor sensibilidad para la visualización del cáncer de mama, con tasas que varían entre el 88% y el 100%. Las técnicas avanzadas de MRI como la evaluación dinámica con contraste (DCE-MRI) y la imagen por difusión ponderada (DW-MRI) han mejorado la clasificación de lesiones. La DCE-MRI evalúa la permeabilidad de los vasos sanguíneos, mientras que la DW-MRI mide el movimiento de las moléculas de agua dentro del tejido, ayudando a diferenciar entre tumores benignos y malignos.
Imagen de Microondas (MWI)
La imagen de microondas (MWI) es una técnica emergente no ionizante y no compresiva para la detección del cáncer de mama. El sistema Wavelia y el dispositivo SAFE han mostrado resultados prometedores en la detección de lesiones benignas y malignas, especialmente en mamas densas.
Rol de la Inteligencia Artificial (IA)
La IA, el aprendizaje automático (ML) y el aprendizaje profundo (DL) han revolucionado la detección y diagnóstico del cáncer de mama. Los algoritmos de IA pueden analizar grandes conjuntos de datos de imágenes, discerniendo patrones sutiles que son imperceptibles al ojo humano. Esto mejora la precisión y eficiencia del diagnóstico, prometiendo mejores resultados para los pacientes.
Discusión y Conclusiones
El estudio destaca la capacidad revolucionaria de la IA para analizar grandes conjuntos de datos de imágenes y discernir patrones sutiles que son imperceptibles al ojo humano. La utilización de algoritmos avanzados de IA puede mejorar significativamente la precisión y eficiencia del diagnóstico del cáncer de mama, lo que promete mejorar los resultados para los pacientes.
Las técnicas avanzadas de imagen, combinadas con la IA, ofrecen una herramienta poderosa para los radiólogos, permitiéndoles proporcionar diagnósticos más precisos y personalizados. Esto es particularmente importante en el contexto del cáncer de mama, donde la detección temprana y el tratamiento adecuado son cruciales para mejorar las tasas de supervivencia.
Recomendaciones y Aplicaciones Prácticas
- Integración de IA en la Práctica Clínica: Se recomienda la integración continua de IA en la práctica clínica para mejorar la detección temprana y el diagnóstico preciso del cáncer de mama.
- Actualización del Sistema BI-RADS: La actualización constante del sistema BI-RADS para incluir nuevas tecnologías y técnicas de imagen avanzadas es esencial para mantener su relevancia y efectividad.
Autores del paper “Impact of Imaging Biomarkers and AI on Breast Cancer Management: A Brief Review” : G. Saleh, Nihal M. Batouty, Abdelrahman S. Gamal + 12 more authors
