Inteligencia artificial mejora diagnóstico de cáncer de mama

 

El estudio enfrentó a 11 patólogos con limitaciones de tiempo y a un patólogo sin restricciones de tiempo frente a siete algoritmos de aprendizaje profundo para analizar un conjunto de datos de entrenamiento de imágenes de láminas completas: 110 con y 160 sin metástasis ganglionares verificadas. De las 49 láminas para análisis con enfermedad metastásica, los patólogos encontraron 31 en promedio, mientras que el patólogo que pudo trabajar sin restricción de tiempo identificó correctamente 46 de 49 láminas con cáncer y 79 de 80 diapositivas sin cáncer.

 

Entre los siete algoritmos de aprendizaje profundo, el mejor algoritmo tuvo un desempeño significativamente mejor en la tarea de clasificación de imágenes de láminas completas, en comparación con los patólogos que trabajaron con limitaciones de tiempo. El desempeño medio de los cinco algoritmos principales fue comparable con el del patólogo único que pudo trabajar sin restricciones de tiempo. Sin embargo, a un promedio de 0,0125 falsos positivos por imagen de lámina normal completa, el desempeño del algoritmo de mejor rendimiento fue comparable con el del patólogo único que pudo trabajar sin restricción de tiempo.

 

La investigación fue dirigida por Babak Ehteshami Bejnordi del Centro Médico de la Universidad de Radboud de Nijmegen en los Países Bajos. Los investigadores concluyeron que, si bien los hallazgos sugerían la utilidad potencial de los algoritmos de aprendizaje profundo para el diagnóstico patológico, requería una evaluación adicional en un entorno clínico.