Un nuevo algoritmo de aprendizaje automático basado en mamografías puede estimar el riesgo de cáncer de mama en las mujeres con mayor precisión que los modelos de riesgo actuales, según un estudio de Adam Yala y sus colegas.

El algoritmo, que se probó con conjuntos de datos de tres grandes hospitales de todo el mundo, podría ayudar a los médicos a diseñar directrices para el cribado del cáncer de mama que satisfagan la necesidad de detección precoz y, al mismo tiempo, reduzcan los falsos positivos, los costes de las pruebas y otros problemas asociados al exceso de cribado.

Las mamografías son el método más común para detectar el cáncer de mama, ya que se realizan más de 39 millones de procedimientos al año en Estados Unidos.

Sin embargo, su adopción generalizada no ha estado exenta de polémica. Los críticos denuncian que el cribado agresivo genera unos costes médicos insostenibles, una mayor ansiedad en las pacientes y una tasa considerable de falsos positivos.

Por otro lado, los partidarios de las pruebas frecuentes sostienen que es necesario detectar los tumores lo antes posible, y el desacuerdo ha dado lugar a directrices incoherentes sobre cuándo debe comenzar el cribado y cuál debe ser su frecuencia.

Yala et al. plantearon que la mejora de la precisión de los modelos de riesgo en los que se basan las directrices podría dar lugar a mejores recomendaciones.

Diseñaron y entrenaron un nuevo modelo denominado Mirai, que integra los datos de las mamografías para producir evaluaciones coherentes del riesgo de cáncer de mama en múltiples puntos temporales, como dentro de 1 o 5 años.

Cuando se probó de forma independiente con los datos de 106.615 pacientes de tres hospitales, situados en EE.UU., Suecia y Taiwán, Mirai identificó el 41,5% de las pacientes que desarrollarían cáncer en un plazo de 5 años.

En cambio, los enfoques actuales, como los modelos Tyrer-Cuzick e Hybrid Deep Learning, solo identificaron al 22,9% y al 36,1% de los pacientes, respectivamente. Mirai también fue eficaz en varias razas y etnias, lo que respalda su potencial para informar las directrices de cribado para poblaciones grandes y diversas.

Fuente: AMERICAN ASSOCIATION FOR THE ADVANCEMENT OF SCIENCE