Ejemplo de detección de mamografías con un carcinoma ductal invasivo (flechas) en la que las mujeres no habrían sido retiradas del mercado con una estrategia de lectura de IA. Sin embargo, estos exámenes se habrían demostrado a los radiólogos en una estrategia de lectura híbrida basada en la puntuación de incertidumbre de IA de la entropía de la puntuación media de probabilidad de malignidad (POM) de la región más sospechosa. Para ambos exámenes, se muestran vistas oblicuas (izquierda) y craneocaudal (derecha) de la mama afectada. (A) Imágenes en una mujer de 67 años que fue retirada del mercado porque ambos radiólogos obtuvieron el seno derecho como informes de imágenes de mama y sistema de datos (BI-RADS) 0. La mujer no habría sido retirada del mercado si el modelo de IA le leyera el examen, que asignó una puntuación de POM de 40, pero la predicción habría sido clasificada como una predicción insegura con una cuantificación de inducción de 0.86. (B) Imágenes en una mujer de 63 años que fue retirada del mercado porque ambos radiólogos obtuvieron el seno derecho como Bi-Rads 4. La mujer no habría sido retirada del mercado si el examen fue leído por el modelo AI, con una puntuación POM de 44, pero la predicción se clasificaría como una predicción incierta con una cuantificación de incertidumbre de 0.98. Crédito: Sociedad Radiológica de América del Norte (RSNA)
Una estrategia de lectura híbrida para la mamografía de detección, desarrollada por investigadores holandeses y desplegado retrospectivamente a más de 40,000 exámenes, una carga de trabajo de radiólogo reducida en un 38% sin cambiar las tasas de retiro o detección del cáncer.
El estudio, que enfatiza la confianza de AI, se publicó en Radiología.
“Aunque el rendimiento general de los modelos de IA de última generación es muy alto, la IA a veces comete errores”, dijo Sarah D. Verboom, M.Sc., candidata a doctorado en el Departamento de Imágenes Médicas en el Centro Médico de la Universidad de Radboud en los Países Bajos.
“Identificar los exámenes en los que la interpretación de la IA no es confiable es crucial para permitir y optimizar el uso de modelos de IA en los programas de detección del cáncer de mama”.
La estrategia de lectura híbrida implica el uso de una combinación de radiólogo Lectores y una interpretación de IA independiente de casos en los que el modelo de IA funciona tan bien o mejor que el radiólogo.
“Podemos lograr este nivel de rendimiento si el modelo AI proporciona no solo una evaluación de la probabilidad de malignidad (POM) para un caso, sino también una calificación de su certeza de esa evaluación”, dijo Verboom.
“Desafortunadamente, el POM en sí no siempre es un buen predictor de certeza porque las redes neuronales profundas tienden a ser demasiado confiadas en sus predicciones”.
Para desarrollar y evaluar una estrategia de lectura híbrida, los investigadores utilizaron un conjunto de datos de 41,469 exámenes de mamografía de detección de 15,522 mujeres (edad media 59 años) con 332 cánceres detectados por pantalla y 34 cáncer de intervalos. Los exámenes se realizaron entre 2003 y 2018 en Utrecht, Países Bajos, como parte del programa de detección nacional de cáncer de mama holandés.
El conjunto de datos se dividió a nivel del paciente en dos grupos iguales con tasas idénticas de detección de cáncer, retiro y cáncer de intervalos. El primer grupo se utilizó para determinar los umbrales óptimos para la estrategia de lectura híbrida, mientras que el segundo grupo se utilizó para evaluar las estrategias de lectura.
De las métricas de incertidumbre evaluadas por los investigadores, la entropía de la puntuación media de POM de la región más sospechosa produjo una tasa de detección de cáncer de 6.6 por 1,000 casos y una tasa de recuperación de 23.7 por 1,000 casos, similar a las tasas de doble lectura estándar por radiólogos.
La estrategia de lectura híbrida final implicó la IA evaluando cada mamograma de detección Producir dos salidas: el POM y una estimación de incertidumbre de esa predicción. Cuando AI determinó que el POM estaba por debajo del umbral establecido con certeza, el caso se consideraba normal.
Cuando la IA detectó un POM por encima del umbral establecido, las mujeres fueron retiradas para más pruebas, pero solo cuando esa predicción se consideró segura. De lo contrario, el examen fue leído doble por radiólogos.
El único ejemplo de un examen de detección con un cáncer detectado en pantalla que AI habría perdido en una estrategia de lectura híbrida basada en la puntuación de incertidumbre de IA de la entropía de la probabilidad media de malignidad (POM) de la región más sospechosa. Durante la detección, se retiró a una mujer de 52 años después de la puntuación de arbitraje del seno derecho como informes de imágenes de mama y sistema de datos (BI-RADS) 4 después de que los radiólogos primero y segundo obtuvieron el seno derecho como Bi-Rads 1 y 4, respectivamente. Esta mujer no habría sido retirada del mercado si el modelo de IA leyera el examen, que asignó una puntuación POM de 30, que se clasificaría como una cierta predicción con una cuantificación de incertidumbre de 0.57. Se muestran las vistas de mediolateral oblicua (izquierda) y craneocaudal (derecha) del seno afectado. Las cajas indican las calcificaciones encontradas durante la detección, y el diagnóstico final de este examen fue el carcinoma ductal in situ. Crédito: Sociedad Radiológica de América del Norte (RSNA)
Aunque la mayoría de las decisiones de IA fueron inciertas y diferidas para un lector humano, el 38% se clasificó como seguro y podía ser leído únicamente por IA. El uso de la estrategia de los investigadores redujo la carga de trabajo de lectura del radiólogo a 61.9% sin cambiar las tasas de recuperación (23.6 ‰ frente a 23.9 ‰) o detección del cáncer (6.6 ‰ frente a 6.7 ‰), las cuales son comparables a las de la doble lectura estándar.
Cuando el modelo de IA era seguro, el área debajo de la curva (AUC) fue mayor (0.96 frente a 0.87). Su sensibilidad casi coincidía con la de la lectura de doble radiólogo (85.4% frente a 88.9%). Las mujeres más jóvenes con senos densos tenían más probabilidades de tener un puntaje de IA incierto.
“El componente clave de nuestro estudio no es necesariamente que esta sea la mejor manera de dividir la carga de trabajo, sino que es útil tener la cuantificación de incertidumbre integrada en los modelos de IA”, dijo Verboom. “Espero que los productos comerciales integren esto en sus modelos, porque creo que es una métrica muy útil”.
Verboom señaló que si los resultados del estudio ocurrieron en la práctica clínica, la decisión de recordar el 19% de las mujeres se tomaría por IA sin la intervención de un radiólogo.
“Varios estudios han demostrado que las mujeres que participan en el seno cáncer Los programas de detección tienen actitudes positivas sobre el uso de IA “, dijo.” Sin embargo, la mayoría de las mujeres prefieren que su mamografía sea lea por al menos un radiólogo “.
Ella dijo que puede ser más aceptable para los radiólogos revisar los exámenes considerados inciertos por IA, así como los casos de retiro de AI.
“El uso de IA con cuantificación de incertidumbre puede ser una posible solución para la escasez de la fuerza laboral y podría ayudar a generar confianza en la implementación de la IA”, dijo Verboom.
Verboom dijo que se necesita más investigación, idealmente un ensayo prospectivo, para determinar cómo la reducción de la carga de trabajo lograda por la estrategia de lectura híbrida podría disminuir el tiempo de lectura del radiólogo.
“Creo que en el futuro, podríamos llegar a un punto en el que una parte de las mujeres se envíe a casa sin que un radiólogo mire su mamografía porque la IA determinará que su examen es normal”, dijo. “Todavía no estamos allí, pero creo que podríamos llegar allí con esta métrica de incertidumbre y control de calidad”.
Más información:
AI debe leer mamografías solo cuando confía: una estrategia de lectura de detección de cáncer de mama híbrido, Radiología (2025).
Proporcionado por
Sociedad Radiológica de América del Norte
Citación: La estrategia híbrida de IA mejora la interpretación de la mamografía (2025, 19 de agosto) Recuperada el 19 de agosto de 2025 de https://medicalxpress.com/news/2025-08-ai-hybrid-strategymamgram.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
