Abstract

La Inteligencia Artificial (IA) aplicada a la imagenología mamaria tiene un enorme potencial para mejorar el diagnóstico y la eficiencia de los flujos de trabajo [1]. Sin embargo, el mayor desafío sigue siendo la falta de bases de datos públicas y debidamente etiquetada para entrenar los algoritmos, para que alcancen un rendimiento acorde a los estándares requeridos para su incorporación en la práctica clínica. Recientemente, los softwares de Ensayos clínicos Virtuales (ECV) han surgido como una potencial solución para abordar eficientemente el problema de disponibilidad de bases de datos, mediante la generación de imágenes in silico. Describimos aquí VICTRE, un software de código abierto aprobado por la FDA, que consiste en un pipeline de modelamiento computacional que permite la generación de imágenes radiográficas de mama tales como mamografía digital y tomosíntesis[2]. Descripción del avance tecnológico: El software VICTRE en su versión actual, es un pipeline con una interfaz simplificada y fácil de usar, con la posibilidad de ejecutar el pipeline completo en un solo script de ejecución en lenguaje de programación Python[3]. La tecnología posibilita la generación de modelos matemáticos computacionales que simulan las propiedades físicas de estructuras anatómicas de las mamas, tumores y microcalcificaciones, permitiendo generar gran cantidad de imágenes para investigación en un entorno controlado y seguro. El software puede modelar las siguientes etapas: 1. Generación de la mama virtual; 2. Compresión; 3. Generación del tumor; 4. Inserción; 5. Proyección mamográfica simulada[4]. Potenciales aplicaciones: El software puede ser usado como herramienta para la evaluación regulatoria de algoritmos de reconstrucción y geometría de adquisición en mamografía y tomosíntesis. Más recientemente, ha sido aplicado en IA para entrenar redes neuronales para segmentación, detección y clasificación en cáncer de mama[5]. Conclusiones: El software permite generar una amplia gama de modelos de mama, controlar parámetros como el tamaño, densidad, forma e inserción de tumores y microcalcificaciones. Sin embargo, se debe tener precaución en el manejo de los parámetros, ya que pueden conducir a resultados no realistas o a fallas en la ejecución de estos softwares. Es fundamental realizar un riguroso control de calidad para verificar la correcta generación de las imágenes, inserción y ubicación de tumores y/ microcalcificaciones. Referencias [1]1. Ozcan BB, Patel BK, Banerjee I, Dogan BE. Artificial Intelligence in Breast Imaging: Challenges of Integration Into Clinical Practice. Journal of Breast Imaging 2023;5(3):248-57 doi: 10.1093/jbi/wbad007[published Online First: Epub Date]|. 2. Badano A, Graff CG, Badal A, et al. Evaluation of Digital Breast Tomosynthesis as Replacement of Full-Field Digital Mammography Using an In Silico Imaging Trial. JAMA Network Open 2018;1(7):e185474-e74 doi: 10.1001/jamanetworkopen.2018.5474[published Online First: Epub Date]|. 3. https://github.com/DIDSR/VICTRE_PIPELINE. 4. Sharma D, Graff CG, Badal A, et al. Technical Note: In silico imaging tools from the VICTRE clinical trial. Med Phys 2019;46(9):3924-28 doi: 10.1002/mp.13674[published Online First: Epub Date]|. 5. Mota AM, Clarkson MJ, Almeida P, Matela N. Automatic Classification of Simulated Breast Tomosynthesis Whole Images for the Presence of Microcalcification Clusters Using Deep CNNs. Journal of Imaging 2022;8(9):231