Evaluating Deep-Learning Based Quantification of Breast Arterial Calcification on Mammography for Cardiovascular Risk Assessment

Sintesi Tecnica: Valutazione della quantificazione basata sul Deep Learning della calcificazione arteriosa mammaria sulla mammografia per la valutazione del rischio cardiovascolare

Problematica
Le malattie cardiovascolari (CVD) rimangono la principale causa di morte tra le donne, eppure gli strumenti tradizionali di previsione del rischio spesso classificano erroneamente le donne, in particolare nelle coorti giovani e di mezza età, come a basso rischio. Questa sottostima porta a diagnosi tardive e sottotrattamenti. Sebbene le calcificazioni arteriose siano fattori di rischio consolidati per eventi cardiovascolari avversi maggiori (MACE), il loro rilevamento richiede tipicamente test specialistici ordinati solo dopo l'insorgere di un sospetto clinico. La mammografia di screening, eseguita annualmente su circa 40 milioni di donne negli Stati Uniti, offre una vasta e inesplorata risorsa per l' "imaging opportunistico" — la quantificazione sistematica di biomarcatori da esami eseguiti per altre ragioni cliniche. Tuttavia, le calcificazioni arteriose mammarie (BAC) sono raramente quantificate o riportate sistematicamente nelle mammografie di routine. La sfida consiste nello sviluppare un metodo scalabile e automatizzato per rilevare e quantificare le BAC al fine di valutarne l'utilità come predittore del rischio cardiovascolare futuro.

Metodologia
Questo studio retrospettivo, condotto presso il NYU Langone Health, ha utilizzato una coorte di 202.006 donne (età media 54,8 ± 11,7 anni) che si sono sottoposte a mammografia digitale in campo totale (FFDM) di screening tra il 2010 e il 2022, escludendo quelle con una storia pregressa di MACE.

• Costruzione del Dataset: È stato creato un dataset annotato da esperti composto da 2.676 immagini FFDM per lo sviluppo del modello. Le immagini sono state selezionate tramite una strategia di arricchimento che bilanciava i casi BAC-positivi e BAC-negativi in base ai referti radiologici, con etichette finali determinate da revisione manuale e annotazione freehand da parte di un residente in radiologia, verificata da un radiologo senologo esperto. Il dataset è stato suddiviso in set di addestramento (1.907 immagini), validazione (360 immagini) e test (409 immagini).
• Architettura di Deep Learning: È stata sviluppata una rete neurale convoluzionale multi-task utilizzando un'architettura U-Net con un encoder ResNet-18. Il modello è stato addestrato per produrre congiuntamente:
  1. Una mappa di segmentazione delle BAC a livello di pixel.
  2. Una probabilità a livello di immagine della presenza di BAC.
     L'obiettivo dell'addestramento combinava la perdita Focal-Tversky per la segmentazione e la cross-entropy binaria per la classificazione, con una funzione di perdita pesata ($\lambda = 0,1$) che favoriva la segmentazione.
• Pipeline di Quantificazione: Post-segmentazione, sono state generate maschere binarie utilizzando una soglia di probabilità di 0,5. Il carico di BAC è stato quantificato come area fisica (mm²) moltiplicando il conteggio dei pixel del foreground per i valori di spaziatura dei pixel codificati in DICOM. Il carico a livello di esame è stato calcolato mediando l'area attraverso tutte e quattro le proiezioni (craniocaudale e mediolaterale obliqua) per un paziente.
• Modellazione del Rischio: Lo studio ha valutato il valore predittivo del carico di BAC derivato dall'IA per l'incidenza di MACE a 5 e 10 anni. Sono stati sviluppati quattro modelli di rischi proporzionali di Cox: (i) carico di BAC da solo, (ii) punteggio ACC/AHA PREVENT da solo, (iii) un modello combinato BAC + PREVENT, e (iv) un modello combinato di fattori di rischio clinici standard + BAC. Le prestazioni sono state valutate su un set di test interno e su una coorte di test geograficamente distinta (Brooklyn) per valutarne la generalizzabilità.

Contributi Chiave

1. Quantificazione Automatica: Lo studio presenta una pipeline di deep learning capace di rilevare e quantificare il carico di BAC in millimetri quadrati da mammografie di screening di routine con alta precisione.
2. Validazione su Larga Scala: Il modello è stato validato su una coorte massiccia di oltre 200.000 donne, con un set di test specifico geograficamente distinto (Brooklyn) che dimostra robustezza attraverso diverse popolazioni demografiche.
3. Stratificazione del Rischio: La ricerca stabilisce una relazione graduata tra il carico di BAC derivato dall'IA e l'incidenza di MACE, andando oltre la presenza/assenza binaria verso una stratificazione del carico continuo.
4. Analisi Comparativa: Il documento confronta rigorosamente il potere predittivo delle BAC derivate dall'IA rispetto al punteggio PREVENT stabilito e ai fattori di rischio clinici standard, fornendo una valutazione realistica del loro valore incrementale.

Risultati

• Prestazioni del Modello: Sul set di test geograficamente distinto, il modello di rilevamento delle BAC ha raggiunto un AUROC di 0,97. Per la segmentazione, il punteggio Dice è stato di 0,6678. La correlazione tra il carico di BAC derivato dall'IA e quello annotato manualmente è stata forte (Pearson $r = 0,961$), sebbene il modello abbia mostrato una leggera sovrastima sistematica (bias medio +10,3 mm²).
• Prevalenza e Distribuzione: Le BAC rilevate dall'IA erano presenti nel 23,1% della coorte. Il carico di BAC aumentava con l'età ed era asimmetrico a destra, con un carico mediano di 19,51 mm² tra i pazienti BAC-positivi.
• Associazione con MACE: Il carico di BAC era significativamente associato ai futuri MACE. L'incidenza di MACE a 5 anni è salita dall'1,5% nelle donne senza BAC al 6,9% in quelle con alto carico di BAC. Allo stesso modo, l'incidenza a 10 anni è aumentata dal 2,6% al 10,4% tra questi gruppi.
• Prestazioni Predittive:
  • BAC da sola: Ha mostrato una discriminazione modesta, con AUROC a 5 anni e 10 anni rispettivamente di 0,661 e 0,650.
  • Punteggio PREVENT da solo: Ha performato significativamente meglio, con AUROC a 5 anni e 10 anni rispettivamente di 0,781 e 0,771.
  • Modelli Combinati: L'aggiunta del carico di BAC al punteggio PREVENT ha portato a un miglioramento minimo nella discriminazione (ad esempio, l'AUROC a 5 anni è aumentata di soli 0,0001).

Significatività e Rivendicazioni
Gli autori concludono che la quantificazione basata sul deep learning delle BAC dalla mammografia di routine è fattibile, accurata ed è associata al rischio cardiovascolare futuro. Tuttavia, mantengono una posizione modesta riguardo alla sua utilità clinica come predittore stand-alone. Il documento afferma che, sebbene il carico di BAC da solo non migliori significativamente la discriminazione quando aggiunto al punteggio PREVENT, esso funge da prezioso biomarcatore di imaging opportunistico scalabile.

La significatività risiede nel potenziale di rendere il rischio cardiovascolare "visibile e azionabile" per le donne che potrebbero altrimenti essere classificate come a basso rischio dai metodi tradizionali. Sfruttando l'infrastruttura esistente della mammografia, questo approccio potrebbe identificare le donne ad elevato rischio senza costi aggiuntivi, radiazioni o oneri per il paziente, potenzialmente stimolando una valutazione del rischio più precoce, la valutazione dei lipidi e la cura preventiva. Gli autori posizionano le BAC non come un sostituto dei modelli di rischio clinico, ma come un marcatore di imaging complementare e standardizzato in grado di attivare il supporto alle decisioni cliniche e gli interventi preventivi.