A continuaciónSiguiente guía
AI in Lung Cancer Screening CT
Industrias
GUÍA de industrias
IA en mamografía y detección de cáncer de mama
La IA en mamografía utiliza modelos de análisis de imágenes para señalar áreas sospechosas en las radiografías de mama y estimar el riesgo de cáncer, generalmente como un segundo lector o herramienta de clasificación junto con los radiólogos en lugar de reemplazarlos.
Escuche esta guíaNarrado por IA · ~3 min
En esta pagina3 minutos de lectura
Descripción general
Es importante porque los programas de detección enfrentan escasez de radiólogos y grandes ensayos sugieren que el apoyo de la IA puede encontrar más cánceres y al mismo tiempo reducir la carga de trabajo de lectura. Las preguntas sobre falsos positivos, cánceres de intervalo y tejido mamario denso todavía influyen en su uso.
Buceo profundo
La mamografía de detección busca cáncer de mama temprano en mujeres sin síntomas. Los radiólogos comparan vistas de cada seno, buscan masas, calcificaciones, asimetrías y distorsiones arquitectónicas, y deciden si llaman a la mujer para realizar más pruebas. En gran parte de Europa, dos radiólogos leen cada examen de forma independiente. En los Estados Unidos, normalmente lo lee un radiólogo. La detección asistida por ordenador no es nueva. El CAD tradicional fue aprobado a fines de la década de 1990 y se usó ampliamente en los EE. UU., pero grandes estudios encontraron que no mejoraba claramente la precisión y agregaba marcas falsas. Los sistemas modernos de aprendizaje profundo, como Lunit INSIGHT MMG, iCAD ProFound AI y ScreenPoint Transpara, aprenden de conjuntos muy grandes de imágenes con resultados conocidos y otorgan a cada examen una puntuación de sospecha, así como marcadores de región. La evidencia más sólida proviene de ensayos prospectivos en programas de detección reales. El ensayo aleatorizado sueco MASAI, del que se informó por primera vez en The Lancet Oncology en 2023, utilizó IA para clasificar los exámenes: los exámenes de bajo riesgo tenían un lector y los exámenes de alto riesgo dos. Descubrió que la detección del cáncer era al menos tan buena como la lectura doble estándar, con una gran reducción en la carga de trabajo de lectura de los radiólogos y una tasa similar de falsos positivos. Resultados y estudios posteriores de MASAI en otros lugares, incluido un gran estudio alemán del mundo real, informaron tasas de detección más altas con el apoyo de la IA. Quedan límites importantes. Descubrir más cánceres no significa automáticamente salvar más vidas, porque algunos cánceres detectados crecen lentamente y una medida clave a largo plazo son los cánceres de intervalo, que aparecen entre exámenes de detección. El tejido mamario denso aparece blanco en las mamografías, al igual que muchos tumores, que pueden ocultar los cánceres tanto de los humanos como de la IA. Un error común es creer que la IA lee las mamografías por sí sola. En los programas actuales, los radiólogos toman las decisiones de retirada.
Implementación en el mundo real
En un programa europeo de doble lectura, los exámenes en los que la IA califica como de bajo riesgo son leídos por un radiólogo en lugar de dos, mientras que los exámenes en los que la IA califica como de alto riesgo son leídos por dos lectores.
Un radiólogo ve un marcador de IA en un pequeño grupo de calcificaciones que no había detectado, vuelve a mirar y llama al paciente para realizar un diagnóstico por imágenes.
Un servicio de detección utiliza puntuaciones de riesgo de IA para ordenar la lista de trabajo del día, de modo que los exámenes más sospechosos se lean primero.
Una clínica que revisa sus resultados de IA observa que el tejido mamario denso dificulta algunos exámenes tanto para los lectores como para el software, y agrega una política sobre cuándo discutir la ecografía o la resonancia magnética complementaria.
El futuro de la IA en mamografía y detección del cáncer de mama
La próxima evidencia importante provendrá de un seguimiento más prolongado de los ensayos de detección, especialmente si el apoyo de la IA reduce los cánceres de intervalo y los cánceres avanzados en lugar de solo aumentar los recuentos de detección. Los programas también están estudiando la IA para la predicción de riesgos, lo que podría ayudar a personalizar los intervalos de detección o identificar a las mujeres que pueden beneficiarse de imágenes complementarias. La adopción dependerá de la regulación, el reembolso, la confianza de los radiólogos y el monitoreo continuo de la variación del rendimiento cuando se cambia el equipo. Una expectativa razonable es un uso más amplio como segundo lector y herramienta de clasificación, siendo los radiólogos los responsables de la recuperación y el diagnóstico.
Poniéndolo en práctica
Por qué es importante
- Contexto y normas. El contexto de la industria determina si las ideas de IA sobreviven al contacto con la realidad.
- control de calidad. Las restricciones de dominio influyen en las tasas de error aceptables y en los modelos de supervisión.
- Construir opciones. Las implementaciones exitosas alinean la capacidad técnica con los flujos de trabajo de primera línea.
cuidado con
- Los requisitos reglamentarios pueden invalidar prototipos que de otro modo serían sólidos.
- Los datos históricos pueden codificar sesgos que perjudican a comunidades específicas.
- Los sistemas heredados pueden crear cuellos de botella en la integración y costos ocultos.
Próximos pasos
- Involucrar a expertos en el campo desde la formulación del problema hasta la evaluación.
- Diseñar pistas de auditoría y documentación antes del lanzamiento.
- Valide anticipadamente las obligaciones de cumplimiento y seguridad.
- Implementación en fases con criterios claros de parada y reversión.
Sigue explorando
Boletín gratuito
Recibe el resumen diario de IA
Tres noticias verificadas sobre IA cada mañana de lunes a viernes, explicadas con claridad. Gratis para siempre y sin anuncios.
Un correo cada día laborable. Date de baja con un clic. Nunca vendemos ni compartimos tu dirección.
Ponte a prueba
Take the AI in Mammography and Breast Cancer Screening quiz
Corrección inmediata en cada respuesta y un certificado para compartir, con un ID verificable, cuando apruebas un curso.
Apoya la educación gratuita sobre IA. AI Understanding es una organización sin fines de lucro 501(c)(3): sin anuncios ni muros de pago, nunca. Hacer una donación
Preguntas frecuentes
¿Qué es la IA en la mamografía y la detección del cáncer de mama?
La IA en mamografía utiliza modelos de análisis de imágenes para señalar áreas sospechosas en las radiografías de mama y estimar el riesgo de cáncer, generalmente como un segundo lector o herramienta de clasificación junto con los radiólogos en lugar de reemplazarlos. Es importante porque los programas de detección enfrentan escasez de radiólogos y grandes ensayos sugieren que el apoyo de la IA puede encontrar más cánceres y al mismo tiempo reducir la carga de trabajo de lectura. Las preguntas sobre falsos positivos, cánceres de intervalo y tejido mamario denso todavía influyen en su uso.
¿Cómo utilizó la IA en el cribado el ensayo sueco MASAI?
MASAI utilizó puntuaciones de riesgo de IA para decidir la intensidad de la lectura, lo que redujo la carga de trabajo y al mismo tiempo mantuvo la detección del cáncer al menos tan buena como la lectura doble estándar.
¿Qué encontraron los grandes estudios sobre el CAD tradicional introducido a finales de los años 1990?
El CAD más antiguo se adoptó ampliamente, pero no produjo mejoras claras en la precisión, razón por la cual la IA moderna se juzga mediante ensayos prospectivos.
¿Por qué el tejido mamario denso dificulta la detección?
Tanto el tejido denso como los tumores aparecen blancos, por lo que los cánceres pueden enmascararse. Esto afecta tanto a los lectores humanos como a la IA.
¿Por qué la detección de más cánceres no es por sí sola una prueba de que la IA salva vidas?
La detección adicional puede incluir cánceres de crecimiento lento. Menos cánceres de intervalo es una evidencia más sólida de un beneficio real.
¿Qué sucede cuando un programa reduce el umbral operativo del sistema de IA?
Umbrales comerciales de sensibilidad por especificidad. Una mayor sensibilidad generalmente significa más falsos positivos y retiros del mercado.
sigue aprendiendo
Guías relacionadas
Más guías seleccionadas para este tema.