Avaliação da Densidade Mamária em Mamografias de Baixa Dose

O câncer de mama é um grande problema de saúde para as mulheres, principalmente para aquelas com menos de 50 anos. Mulheres que têm histórico familiar de câncer de mama têm risco maior. Encontrar maneiras de detectar o câncer de mama cedo pode salvar vidas. Testes de triagem podem ajudar a reduzir as taxas de mortalidade dessa doença. No entanto, até mulheres jovens sem histórico familiar podem desenvolver câncer de mama. É importante descobrir quais mulheres mais novas podem se beneficiar da triagem precoce para detectar cânceres mais cedo e oferecer tratamentos preventivos.

A Densidade Mamográfica, que descreve quanto de tecido mamário denso aparece em uma mamografia, está ligada a um risco maior de câncer de mama. Identificar mulheres com alta densidade mamária pode levar a ações preventivas, como medicamentos que diminuem o risco ou verificações mais frequentes para detectar problemas mais cedo.

Existem diferentes maneiras de medir a densidade mamária a partir de mamografias, algumas feitas por máquinas e outras por médicos treinados. Como os médicos têm pouco tempo, usar métodos automatizados pode ajudar a direcionar eles para tarefas mais complicadas.

Mulheres mais jovens muitas vezes não fazem triagens de rotina por causa da preocupação com a exposição à radiação. A mamografia de baixa dose está sendo estudada como uma opção mais segura para avaliar a densidade mamária em mulheres mais jovens, o que poderia personalizar seus futuros planos de triagem.

Avanços recentes em técnicas de aprendizado profundo mostraram que podem prever a densidade mamária a partir de mamografias feitas com doses menores de radiação. Isso aumenta a possibilidade de usar mamografias de baixa dose para avaliar o risco de câncer em mulheres mais jovens. No entanto, mais evidências são necessárias para confirmar quão próximas as previsões de mamografias de baixa dose estão das de doses padrão. Uma preocupação é que imagens de qualidade inferior podem não mostrar claramente certos recursos, levando a previsões enganosas.

Este artigo foca em investigar onde as incertezas surgem nessas previsões, quanta confiança podemos ter nelas e maneiras de reduzir incertezas. Especificamente, queremos ver se mamografias de baixa dose podem estimar efetivamente a densidade mamária e, portanto, o risco de câncer de mama, e como as previsões dessas imagens se comparam às de imagens de dose padrão.

#Propósito do Estudo

O objetivo deste estudo é descobrir quão precisamente podemos estimar a densidade mamária a partir de mamografias de baixa dose em comparação com as padrão. Para isso, vamos usar dois conjuntos de dados.

Um dos conjuntos de dados é o conjunto de dados da Mamografia de Avaliação de Risco de Baixa Dose Automatizada (ALDRAM). Esse conjunto inclui mulheres de 30 a 45 anos, todas com diagnóstico anterior de câncer de mama e que estavam buscando mamografias anuais. As mulheres foram tratadas em um hospital específico em Manchester.

Mamografias de dose padrão e de baixa dose foram feitas para cada participante. As imagens de dose padrão foram obtidas primeiro, seguidas pelas de baixa dose tiradas enquanto o seio estava na mesma posição. Isso ajuda a garantir que as imagens possam ser comparadas diretamente.

No total, o conjunto de dados ALDRAM contém 147 conjuntos de imagens, com vários tamanhos. As idades das mulheres variam de 31 a 45, que é mais jovem que a média em outros estudos relacionados. As imagens em ALDRAM também variam nas relações de exposição entre doses baixas e padrão.

Embora o conjunto de dados ALDRAM seja pequeno e faltam certos rótulos para a densidade mamária, usaremos outro conjunto de dados, conhecido como PROCAS, para treinar modelos e validar previsões. O conjunto de dados PROCAS inclui mamografias de mulheres com idades e densidades mamárias variadas.

#Preparação das Imagens

Todas as imagens de ambos os conjuntos de dados foram pré-processadas para garantir consistência. Elas foram redimensionadas, normalizadas e padronizadas em termos de intensidade de pixels. Imagens menores receberam preenchimento para combinar um tamanho comum.

#Modelo e Treinamento

O estudo envolveu o treinamento de dois conjuntos de modelos: um para imagens de dose padrão do PROCAS e outro para imagens simuladas de baixa dose. Ambos os modelos foram baseados em um tipo bem conhecido de modelo de aprendizado profundo chamado ResNet. Os modelos aprenderam a prever a densidade mamária e foram verificados em relação a escores de densidade conhecidos de médicos.

Os modelos foram avaliados com base em seu desempenho e quão próximas eram suas previsões. Com isso, tentamos determinar quão bem as previsões de baixa dose se comparavam às de dose padrão.

#Abordagem de Análise

Para entender quanta confiança podemos ter nas previsões feitas a partir de imagens de baixa dose, investigamos diferentes variáveis que poderiam afetar as previsões.

Um problema é que as previsões podem variar dependendo da visão da mamografia, já que existem diferentes métodos de captura de imagens. Duas visões diferentes do mesmo seio podem resultar em resultados diferentes. Além disso, se modelos diferentes forem usados para a Previsão, suas saídas podem variar.

Outro ponto a considerar é o tamanho das imagens usadas no estudo. Variações no tamanho das mamografias poderiam impactar o desempenho das previsões. Além disso, grupos etários jovens e níveis de densidade mamária também poderiam influenciar a capacidade do modelo de prever corretamente.

#Resultados

#Qualidade das Previsões

Examinamos como os melhores modelos se saíram ao prever a densidade mamária no conjunto de teste do PROCAS. Embora alguns modelos tenham se saído bem em relação aos escores gerais dos radiologistas, nosso principal interesse estava em como as previsões de baixa e padrão se comparavam.

#Diferenças de Visão

Percebemos que as previsões para diferentes visualizações de mamografias (como CC e MLO) podiam apresentar resultados variáveis. Para imagens de baixa dose, as diferenças eram ligeiramente maiores do que para doses padrão. Ao comparar os resultados, observamos que poderia haver tanta variação nas previsões dependendo da visualização quanto com base na dosagem.

#Combinando Previsões

Quando as previsões de diferentes visualizações foram combinadas, vimos uma melhoria na similaridade das previsões entre doses baixas e padrão. Isso sugere que considerar múltiplas visualizações pode gerar resultados gerais melhores.

#Variabilidade de Modelagem

Testamos o impacto de combinar os resultados de múltiplos modelos. Ao fazer a média das previsões de diferentes modelos, encontramos que essa combinação melhorou a similaridade entre previsões de padrão e baixa dose.

#Fatores de Variação

Também examinamos vários fatores que poderiam influenciar a precisão das previsões de baixa dose.

• Idade: Ao observar as diferenças de previsão em diferentes faixas etárias, não encontramos impacto significativo.
• Escore de Densidade: Uma maior densidade mamária parecia correlacionar com maiores diferenças no desempenho das previsões, sugerindo que seios mais densos poderiam apresentar um desafio para a estimativa precisa da densidade.
• Área do Seio: Tamanhos menores de seios pareciam correlacionar com um desempenho pior do modelo. O estudo mostrou que seios menores estavam associados a um tecido mais denso, adicionando mais complexidade ao processo de previsão.

#Conclusão

Os achados indicam que é possível obter previsões similares para mamografias de baixa e padrão. Combinar previsões de múltiplas visualizações e modelos pode reduzir as diferenças. No entanto, é claro que certos fatores, como densidade e tamanho dos seios, podem criar variabilidade nas previsões. Mais exploração é necessária para entender completamente essas relações e melhorar a precisão das previsões.