Modelo de detección de cáncer basado en inteligencia artificial para mamografía con contraste mejorado
Autores: Jailin, Clément; Mohamed, Sara; Iordache, Razvan; Milioni De Carvalho, Pablo; Ahmed, Salwa Yehia; Abdel Sattar, Engy Abdullah; Moustafa, Amr Farouk Ibrahim; Gomaa, Mohammed Mohammed; Kamal, Rashaa Mohammed; Vancamberg, Laurence
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Modelo de detección de cáncer basado en inteligencia artificial para mamografía con contraste mejorado
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Desarrollo
Modelos de redes neuronales profundas
Mamografía con contraste mejorado
Aprendizaje profundo
Detección de lesiones
Clasificación de senos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 32
Citaciones: Sin citaciones
Antecedentes: El desarrollo reciente de modelos de redes neuronales profundas para el análisis de imágenes de mama ha sido un avance en el diagnóstico asistido por computadora (CAD). La mamografía con contraste mejorado (CEM) es una modalidad reciente de mamografía que proporciona imágenes anatómicas y funcionales de la mama. A pesar de los beneficios clínicos que podría aportar, solo se han realizado unos pocos estudios de investigación sobre CAD basados en aprendizaje profundo (DL) para CEM, especialmente porque el acceso a bases de datos grandes sigue siendo limitado. Este estudio presenta el desarrollo y la evaluación de un CAD-CEM para mejorar la detección de lesiones y la clasificación de mamas. Materiales y Métodos: Se ha optimizado y entrenado un modelo de detección de cáncer mejorado por aprendizaje profundo basado en una arquitectura YOLO en un gran conjunto de datos de CEM de 1673 pacientes (7443 imágenes) con lesiones comprobadas por biopsia de varios hospitales y sistemas de adquisición. La evaluación se realizó utilizando métricas derivadas de la curva de funcionamiento receptor libre (FROC) para la detección de lesiones y la curva de funcionamiento del receptor (ROC) para evaluar el rendimiento general de la clasificación de mamas. Se evaluaron los rendimientos para diferentes tipos de entrada de imagen y para cada nivel de realce parenquimal de fondo (BPE) del paciente. Resultados: El modelo optimizado logró un área bajo la curva (AUROC) de 0.964 para la clasificación de mamas. El uso tanto de imágenes de baja energía como de imágenes recombinadas como entradas para el modelo DL muestra un mayor rendimiento que el uso solo de la imagen recombinada. Para la detección de lesiones, el modelo pudo detectar el 90% de todos los cánceres con una tasa de falsos positivos (no cáncer) de 0.128 por imagen. Este estudio demuestra un alto impacto de BPE en el rendimiento de clasificación y detección. Conclusión: El CAD CEM desarrollado supera a los documentos previamente publicados y su rendimiento es comparable a la capacidad de clasificación y detección informada por radiólogos.
Descripción
Antecedentes: El desarrollo reciente de modelos de redes neuronales profundas para el análisis de imágenes de mama ha sido un avance en el diagnóstico asistido por computadora (CAD). La mamografía con contraste mejorado (CEM) es una modalidad reciente de mamografía que proporciona imágenes anatómicas y funcionales de la mama. A pesar de los beneficios clínicos que podría aportar, solo se han realizado unos pocos estudios de investigación sobre CAD basados en aprendizaje profundo (DL) para CEM, especialmente porque el acceso a bases de datos grandes sigue siendo limitado. Este estudio presenta el desarrollo y la evaluación de un CAD-CEM para mejorar la detección de lesiones y la clasificación de mamas. Materiales y Métodos: Se ha optimizado y entrenado un modelo de detección de cáncer mejorado por aprendizaje profundo basado en una arquitectura YOLO en un gran conjunto de datos de CEM de 1673 pacientes (7443 imágenes) con lesiones comprobadas por biopsia de varios hospitales y sistemas de adquisición. La evaluación se realizó utilizando métricas derivadas de la curva de funcionamiento receptor libre (FROC) para la detección de lesiones y la curva de funcionamiento del receptor (ROC) para evaluar el rendimiento general de la clasificación de mamas. Se evaluaron los rendimientos para diferentes tipos de entrada de imagen y para cada nivel de realce parenquimal de fondo (BPE) del paciente. Resultados: El modelo optimizado logró un área bajo la curva (AUROC) de 0.964 para la clasificación de mamas. El uso tanto de imágenes de baja energía como de imágenes recombinadas como entradas para el modelo DL muestra un mayor rendimiento que el uso solo de la imagen recombinada. Para la detección de lesiones, el modelo pudo detectar el 90% de todos los cánceres con una tasa de falsos positivos (no cáncer) de 0.128 por imagen. Este estudio demuestra un alto impacto de BPE en el rendimiento de clasificación y detección. Conclusión: El CAD CEM desarrollado supera a los documentos previamente publicados y su rendimiento es comparable a la capacidad de clasificación y detección informada por radiólogos.