Asistente computarizado para la detección de masas y asimetrías en mamografías: estudio por zonas de profundidad

El cáncer de mama es la primera causa de muerte por neoplasias en México y su principal víctima es la comunidad femenina. El cáncer de mama a nivel mundial representa el 16% de los cánceres femeninos y en Latinoamérica corresponde al 29% de la población femenina. Las proyecciones indican que el número de mujeres diagnosticadas con cáncer de mama en América Latina se incrementará hasta un 46% para el 2030 [1]. La Secretaría de Salud sugiere que todas las personas tomen medidas preventivas; la Norma Oficial Mexicana NOM-041 [3] establece revisiones bianuales con mamografías a mujeres entre los 40 y 69 años. Lo anterior, debido a que las pacientes que se diagnostican positivas en etapas tempranas presentan mayor esperanza de vida por cáncer de mama que las que se diagnostican positivas entre exámenes diagnósticos. Estudios han corroborado que la detección temprana por medio de mamografías ha reducido el índice de mortalidad hasta un 65% [4]. Para esto, es necesaria una óptima interpretación de la mamografía para la detección del cáncer de mama en estadios tempranos. Un radiólogo promedio interpreta 20 estudios al día, en donde un estudio equivale, comúnmente, a cuatro mamografías (MLO-I, MLO-D, CC-I, y CC-D). Si sumamos a su jornada laboral, estudios de Ultrasonido (US) y biopsias, es notorio que el tiempo que ha de dedicar a la inspección de mamografías es muy reducido. Además, en algunas pacientes la mama es muy densa, por lo que no se distinguen lesiones importantes y con el paso del tiempo se desarrolla cáncer, detectándolo, en consecuencia, en estadios avanzados. En casos extraordinarios, se proporciona tratamiento a pacientes con sobrediagnóstico. La presente investigación, consiste en la implementación de algoritmos de procesamientos digitales de mamografía para asistir a radiólogos en la identificación de regiones sospechosas como lo son masas, asimetrías, ganglios linfáticos, microcalcificaciones vasculares, y cambios relevantes de densidad, de manera automática. El algoritmo detecta regiones sospechosas, sin embargo, es recomendable continuar la investigación para clasificar lesiones como benignas o malignas. Por otra parte, utilizamos una base de datos de 1500 mamografías con hallazgos Birads 3 a 5 del Hospital General de Salamanca, Guanajuato y de la Unidad de Especialidades Médicas Dedicada a la Detección y Diagnóstico del Cáncer de Mama (UNEME-DEDICAM), Querétaro. Algunos estudios han sido corroborados por inspección de ecografía y/o biopsia