Imágenes por ultrasonido alimentadas por IA detectan el cáncer de mama

La detección y el tratamiento tempranos pueden mejorar la probabilidad de recuperación; sin embargo, la tasa de supervivencia en pacientes con cáncer de mama disminuye drásticamente a menos del 75 % después de la tercera etapa. Como resultado, los chequeos médicos regulares son fundamentales para reducir las tasas de mortalidad. La ecografía es una de las principales técnicas de imagen médica para la evaluación de las lesiones mamarias, y los sistemas de diagnóstico asistido por computadora (DAC) han ayudado a los radiólogos a segmentar e identificar las características de las lesiones para distinguir entre lesiones benignas y malignas. Ahora, un equipo de investigadores ha desarrollado un sistema de red de IA para ultrasonografía para detectar y diagnosticar con precisión el cáncer de mama.

Un equipo de investigadores de la Universidad de Ciencia y Tecnología de Pohang (POSTECH, Gyeongbuk, Corea) ha desarrollado una red de fusión multimodal basada en el aprendizaje profundo para la segmentación y clasificación de los cánceres de mama utilizando imágenes de ultrasonido en modo B y elastografía de tensión. El equipo desarrolló métodos basados en el aprendizaje profundo (DL) para segmentar las lesiones y luego clasificarlas como benignas o malignas, utilizando imágenes en modo B y elastografía de tensión (modo SE). Primero, el equipo construyó un 'modelo U-Net multimodal ponderado (W-MM-U-Net)' en el que se asigna el peso óptimo en diferentes modalidades de imágenes para segmentar lesiones, utilizando un método de conexión de salto ponderado. Los investigadores también han propuesto un "marco de fusión multimodal (MFF)" en imágenes recortadas de lesiones de ultrasonido (US) en modo B y modo SE para clasificar las lesiones benignas y malignas.

El MFF consta de una red de características integradas (IFN) y una red de decisión (DN). A diferencia de otros métodos de fusión recientes, el método MFF propuesto puede aprender simultáneamente información complementaria de redes neuronales convolucionales (CNN) que se entrenan con imágenes de EUA en modo B y modo SE. Las características de la CNN se combinan utilizando el modelo multimodal EmbraceNet, mientras que DN clasifica las imágenes utilizando esas características. Los resultados experimentales de los datos clínicos revelan que el método identificó siete pacientes benignos como benignos en tres de los cinco ensayos y seis pacientes malignos como malignos en cinco de los cinco ensayos. Esto indica que el método propuesto supera a los métodos convencionales únicos y multimodales y podría mejorar la precisión de clasificación de los radiólogos para la detección de cáncer de mama en imágenes de ultrasonido.

"Pudimos aumentar la precisión de la segmentación de lesiones determinando la importancia de cada modo de entrada y otorgar automáticamente la ponderación adecuada", explicó el profesor Chulhong Kim de POSTECH, quien dirigió el equipo de investigadores. “Entrenamos cada modelo de aprendizaje profundo y el modelo de combinación al mismo tiempo para tener un desempeño de clasificación mucho mejor que el modal único convencional u otros métodos multimodales”.

Enlaces relacionados:
POSTECH