Machine learning como método de predição de malignidade em lesões mamárias identificadas à ultrassonografia

• Ano de defesa: 2024
• Autor(a) principal: Buzatto, Isabela Panzeri Carlotti
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado de máquina; Breast ultrasound; Machine learning; Malignancy prediction; Predição de malignidade; Ultrassonografia mamária
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/17/17145/tde-25092024-105306/

A ultrassonografia mamária (US) é amplamente utilizada como ferramenta diagnóstica, complementando mamografias inconclusivas, avaliando achados palpáveis e orientando biópsias mamárias. A interpretação do exame é desafiadora, pois o método depende do operador e tem uma alta taxa de falso positivo. Recentemente, o aprendizado de máquina, um tipo de inteligência artificial, vem ganhando atenção por seu excelente desempenho em tarefas de reconhecimento de imagens e preditivas. O objetivo do presente estudo foi estabelecer um modelo confiável de aprendizado de máquina para classificar lesões mamárias como malignas ou benignas, com base em atributos clínicos e ultrassonográficos. Consideramos importante otimizar o valor preditivo negativo (VPN), para minimizar o número de biópsias desnecessárias, sem perder muitos casos de câncer. Trata-se de estudo observacional multicêntrico, em que foram coletados dados clínicos, características ultrassonográficas dos laudos, e imagens ultrassonográficas, de pacientes com lesões mamárias suspeitas, classificadas como BI-RADS 3, 4, 5 e 6, que foram submetidas à biópsia por agulha grossa, em quatro instituições. Foram selecionados os atributos mais informativos para treinar, validar e testar modelos de aprendizado de máquina, para prever a malignidade dessas lesões mamárias. Os atributos selecionados foram forma, margem, orientação, tamanho da lesão, presença de vaso interno no estudo Doppler, índice de resistência do vaso, quando presente, idade do paciente e presença de nódulo palpável. O maior VPN médio foi alcançado com o algoritmo XGBoost, após ajuste do \"threshold\", para minimizar os casos falsos negativos. O desempenho testado do modelo foi: VPN 98,1%, falso negativo 1,9%, valor preditivo positivo 77,1% e falso positivo 22,9%. Aplicando este modelo, teríamos perdido 2 das 231 lesões malignas do conjunto de dados de teste (0,8%). Para minimizar a interpretação dependente do operador, também foram treinados e validados algoritmos, utilizando as próprias imagens de US associadas apenas aos dados clínicos (idade, nódulo palpável e tamanho da lesão). O erro médio do modelo em classificar casos de câncer, como lesões benignas, no conjunto de dados de validação foi inferior a 0,5%. Concluímos que o aprendizado de máquina pode ajudar a predizer malignidade, em lesões mamárias suspeitas identificadas pela US. Estas ferramentas de inteligência artificial têm o potencial de reduzir o número de biópsias mamárias desnecessárias, um ponto fraco dos programas de rastreamento.