La detección precoz y el diagnóstico temprano son claves para la supervivencia de las pacientes de cáncer de mama. El mes de octubre se dedica a la sensibilización sobre este y otros aspectos del cáncer de mama. Las soluciones de inteligencia artificial, como las de iCAD, actúan de soporte de los especialistas de imagen mamaria. En concreto, su software ProFound AI® Risk se emplea para la evaluación del riesgo de cáncer de mama a partir de la imagen de la mamografía.
ProFound AI® Risk es la solución de inteligencia artificial (IA) de iCAD para el análisis del riesgo de cáncer de mama. Esta herramienta facilita a los especialistas de imagen mamaria la realización de planes de screening o cribado más personalizados con el objetivo de detectar antes el cáncer.
Se trata del primer software de IA para soporte en la decisión clínica por medio de la estimación exacta de riesgo de cáncer de mama a corto plazo a partir de mamografías 2D o 3D.
ProFound AI® Risk evalúa cada imagen de la paciente. Teniendo en cuenta su edad, densidad de mama y características sutiles detectadas en las mamografías, calcula una puntuación y categoría (bajo, general, moderado y alto) del riesgo a corto plazo. Esta puntuación resulta 2.4 veces más exacta que los modelos tradicionales de estimación de riesgo1,2.
La solución de evaluación de riesgo de iCAD es única por su desarrollo y entrenamiento utilizando la cohorte sueca de cribado del estudio KARMA (KARolinska MAmmography Project for Risk Prediction of Breast Cancer). A continuación, tratamos de estos aspectos pioneros de la herramienta ProFound AI® Risk.
KARMA: proyecto de evaluación del riesgo de cáncer de mama
El grupo de investigación de KARMA en el Karolinska Institutet de Suecia está formando la cohorte mejor caracterizada del mundo de pacientes de cáncer de mama. Pretenden disminuir la mortalidad e incidencia de este tipo de cáncer a través de investigación traslacional y centrándose en el cribado y prevención.
Entre los objetivos principales del estudio KARMA se encuentra el desarrollo de un modelo completo de predicción de riesgo que abarque todos los factores conocidos de riesgo de cáncer de mama3.
Los modelos tradicionales de predicción emplean la historia familiar de cáncer de mama, además de otros factores de riesgo. Por ejemplo, los modelos de Tyrer-Cuzick y de Gail se fundamentan en factores fenotípicos clásicos como la edad, historia familiar de cáncer de mama, edad de menopausia y menarquia, etc.3,4 Sin embargo, no incluyen la densidad de la mama o los determinantes genéticos en su evaluación del riesgo3.
En contraste, la herramienta de inteligencia artificial desarrollada dentro del estudio KARMA combina los factores de riesgo con las características de las mamografías. Los software automatizados de iCAD de detección y evaluación de la densidad de mama se emplearon como plantillas para el desarrollo de STRATUS. STRATUS es un algoritmo de análisis de imágenes digitales y analógicas con mediciones automatizadas de la densidad de mama a lo largo del tiempo5.
Con la información extraída de las mamografías de campo completo y el método STRATUS basado en el área, se localizaron microcalcificaciones y masas sospechosas y sus diferencias entre ambas mamas. Además, se determinó el nivel de densidad de la mama según las categorías de BI-RADS y la edad4.
Esta información se empleó para predecir la probabilidad de que una mujer con resultado negativo en la última mamografía fuera diagnosticada con cáncer de mama dentro de los siguientes dos años4.
Usando los mismos datos, se calculó el área bajo la curva (AUC) y se comparó con los valores obtenidos de los modelos de riesgo Tyrer-Cuzick y Gail. El AUC del nuevo algoritmo de IA alcanzó 0.71 frente al 0.63 de Tyrer-Cuzick y el 0.56 de Gail. Por tanto, esta herramienta añadió una mejor discriminación y permitió identificar mujeres con un riesgo nueve veces mayor de desarrollar un cáncer cuando se comparan con los grupos de alto y bajo riesgo4.
En versiones posteriores del algoritmo, se utilizaron tres modelos con regresión logística condicional y con la edad en la última mamografía negativa antes del diagnóstico. El modelo 1 incluyó las medias y diferencias en las mamas izquierda y derecha según la densidad, microcalcificaciones, masas y edad. El modelo 2 combinó las variables del modelo 1 con los factores de estilo de vida e historia familiar de cáncer de mama. El modelo 3 añadió a las variables del modelo 2 la puntuación de riesgo poligénico con 313 polimorfismos de un solo nucleótido. Además, se validó en tres cohortes externas2.
El rendimiento de discriminación (AUC) del modelo 1 fue del 0.74, del modelo 2 fue 0.74 y del modelo 3 fue del 0.77. El algoritmo de inteligencia artificial se diseñó sobre tres características de la mamografía y las diferencias de ellas entre las dos mamas. No obstante, la herramienta puede extenderse con factores de estilo de vida y familiares y la puntuación de riesgo poligénico2.
Resultados a largo plazo del modelo de evaluación de riesgo de cáncer de mama ProFound AI® Risk
ProFound AI® Risk de iCAD es único, puesto que se ha generado con una gran base prospectiva de datos, proveniente de la cohorte de cribado de KARMA2. Esta cohorte también ha permitido la evaluación del rendimiento del modelo de riesgo a largo plazo6.
En 2023 se publicaron estos resultados en un estudio de casos y controles de 8604 mujeres seleccionadas de forma aleatoria a partir de la cohorte de KARMA, iniciado en Suecia con mujeres de 40-74 años. En él se incluyeron 2028 cánceres incidentes antes de mayo de 20226.
El objetivo de este estudio era la comparación del algoritmo de IA de evaluación de riesgo con los modelos convencionales (Tyrer-Cuzick) en la predicción del riesgo de cáncer de mama durante 10 años de seguimiento6.
Se utilizó un AUC ajustada por edad (aAUC) para comparar ambos. La solución de inteligencia artificial mostró una aAUC más alta que Tyrer-Cuzick a uno, dos, cinco y 10 años de seguimiento. También el aAUC en mujeres con elevada densidad de mama y sin historia familiar fue superior a Tyrer-Cuzick en el intervalo de 1-10 años de seguimiento6.
Validación del modelo de IA de evaluación de riesgo
El modelo se ha validado utilizando cuatro poblaciones europeas de tres países (Italia, España y Alemania) entre 2009-2020. El estudio de casos y controles anidado incluyó a 739 mujeres con cáncer incidente y 7812 controles. La herramienta de inteligencia artificial realizó la predicción del riesgo absoluto a dos años y se evaluó su resultado tras dos años de seguimiento. AUC fue superior a 0.7 y significativamente más alto que los modelos tradicionales (AUC < 0.7)7.
También se ha publicado un estudio de validación externa del algoritmo de IA en una cohorte de cribado de Estados Unidos. Se identificaron con carácter retrospectivo 176 cánceres con examen de mamografía de tres meses a dos años antes del diagnóstico y una muestra aleatoria de 4963 controles de mujeres con al menos un año de seguimiento negativo. La base de datos incluía un 42% de mujeres blancas y un 51% de mujeres negras8.
En esta validación se utilizó el modelo Gail de riesgo a cinco años como comparación. AUC fue del 0.68 para todas las mujeres. En el análisis por subgrupo se encontró que las diferencias se debían en particular a pequeños tumores invasivos y cáncer in situ. Si bien el análisis no permitió estudiar dichas diferencias por subtipo de cáncer, estas podrían deberse a la discrepancia en la proporción de tumores entre EE.UU. y Suecia. En cualquier caso, el modelo de inteligencia artificial superó al de Gail para todas las mujeres y las mujeres negras, sin diferencias significativas entre mujeres blancas y negras8.
Por otra parte, el algoritmo ProFound AI® Risk de iCAD incorpora las directrices mundiales de cribado más relevantes y más de 15 tablas de referencia de incidencia y mortalidad de distintos países. Esto posibilita alinear los resultados de la herramienta con la población general de cada nación.
ProFound AI® Risk en la estratificación de las mujeres de alto riesgo
En RSNA 2023 se presentó un estudio retrospectivo de casos y controles dentro del programa nacional de cribado alemán9. En este, se realizan mamografías 2D de campo completo (2D FFDM) con carácter bienal a las mujeres de 50-69 años. El estudió consistió en analizar con ProFound AI® Risk las mamografías que se habían clasificado como normales, pero que en el curso de los dos años siguientes se detectó un cáncer de mama bien en el intervalo, bien en la siguiente visita de cribado.
Utilizando la solución de riesgo de iCAD, se consideró como mujeres de alto riesgo las que obtuvieron una puntuación de riesgo absoluto mayor del 1.2%. Las puntuaciones de riesgo se evaluaron por histopatología y tiempo de detección, comparándolas con una cohorte de mamografías normales con seguimiento de cuatro años libre de cáncer9.
Los resultados del estudio mostraron que ProFound AI® Risk es capaz de identificar las mujeres con un riesgo más alto de desarrollar un cáncer de mama en los dos años posteriores a una mamografía clasificada como normal. En concreto, se encontró que estas mujeres tienen un riesgo medio 2.4 veces mayor comparado con las que no desarrollaron cáncer de mama. Además, el riesgo medio resultó superior para el cáncer invasivo (1.21) y, sobre todo, para el carcinoma lobulillar (1.70) comparado con DCIS (0.98)9.
Esto indica que ProFound AI® Risk podría emplearse para estratificar a las mujeres con riesgo alto para que reciban screening suplementario o se disminuya el intervalo entre mamografías. Así, se podrían detectar antes los cánceres infiltrantes, evitando sobre diagnosticar DCIS por una sobrestimación. No obstante, los autores señalaron que se requiere de ensayos prospectivos para investigar las mejores estrategias de cribado en mujeres con alta puntuación de riesgo dentro de un programa de screening personalizado9.
ProFound AI® Risk de iCAD se desarrolló como un modelo de evaluación de riesgo a dos años para mujeres a las que se les realiza un cribado bienal. Por medio de los datos derivados de la imagen de la mamografía digital de campo completo el software analiza el riesgo de diagnóstico de un cáncer sintomático o un cáncer en el siguiente examen rutinario. De esta forma permite identificar a las mujeres que se beneficiarían de cribado suplementario tras un resultado negativo o benigno6.
Si desea más información sobre la herramienta ProFound AI® Risk de iCAD, puede inscribirse en el webinar gratuito “ProFound AI: más allá del diagnóstico hacia la evaluación del riesgo en la detección de cáncer de mama” que impartirá el ingeniero biomédico y especialista de producto Pedro Hernández el próximo 24 de octubre a las 12:00 horas.
Además, puede contactar a nuestro equipo de expertos en el siguiente enlace.
Referencias
- Eriksson, M. et al. A risk model for digital breast tomosynthesis to predict breast cancer and guide clinical care. Sci. Transl. Med. 14, eabn3971 (2022).
- Eriksson, M. et al. Identification of Women at High Risk of Breast Cancer Who Need Supplemental Screening. Radiology 297, 327–333 (2020).
- Gabrielson, M. et al. Cohort Profile: The Karolinska Mammography Project for Risk Prediction of Breast Cancer (KARMA). Int. J. Epidemiol. 46, 1740–1741g (2017).
- Eriksson, M. et al. A clinical model for identifying the short-term risk of breast cancer. Breast Cancer Res. 19, 29 (2017).
- Eriksson, M., Li, J., Leifland, K., Czene, K. & Hall, P. A comprehensive tool for measuring mammographic density changes over time. Breast Cancer Res. Treat. 169, 371–379 (2018).
- Eriksson, M., Czene, K., Vachon, C., Conant, E. F. & Hall, P. Long-Term Performance of an Image-Based Short-Term Risk Model for Breast Cancer. J. Clin. Oncol. 41, 2536–2545 (2023).
- Eriksson, M. et al. European validation of an image-derived AI-based short-term risk model for individualized breast cancer screening-a nested case-control study. Lancet Reg Health Eur 37, 100798 (2024).
- Gastounioti, A. et al. External Validation of a Mammography-Derived AI-Based Risk Model in a U.S. Breast Cancer Screening Cohort of White and Black Women. Cancers 14, (2022).
- Graewingholt, A. Real World Use of Artificial Intelligence Risk Scores to Identify Women at High Risk for Breast Cancer with Subanalyses Based on Histopathology and Time of Detection. in RSNA 2023.
- Karma – Karolinska Mammography Project for Risk Prediction of Breast Cancer. Karma https://karmastudy.org/ (2018).