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

Resumo Técnico: Avaliação da Quantificação Baseada em Aprendizado Profundo de Calcificação Arterial Mamária em Mamografias para Avaliação de Risco Cardiovascular

Definição do Problema
As doenças cardiovasculares (DCV) permanecem como a principal causa de morte entre as mulheres, embora as ferramentas tradicionais de predição de risco frequentemente classifiquem as mulheres, particularmente nos grupos de idade jovem e média, como de baixo risco. Essa subestimação leva ao diagnóstico tardio e ao tratamento inadequado. Embora as calcificações arteriais sejam fatores de risco estabelecidos para eventos cardiovasculares adversos maiores (MACE), sua detecção normalmente requer testes especializados solicitados apenas após a suspeita clínica. A mamografia de rastreamento, realizada anualmente em aproximadamente 40 milhões de mulheres nos EUA, oferece um recurso vasto e inexplorado para o "imaging oportunístico" — a quantificação sistemática de biomarcadores a partir de exames realizados por outros motivos clínicos. No entanto, as calcificações arteriais mamárias (BAC) são raramente quantificadas ou relatadas sistematicamente em mamografias de rotina. O desafio reside em desenvolver um método escalável e automatizado para detectar e quantificar a BAC para avaliar sua utilidade como preditor de risco cardiovascular futuro.

Metodologia
Este estudo retrospectivo, conduzido no NYU Langone Health, utilizou uma coorte de 202.006 mulheres (idade média 54,8 ± 11,7 anos) que realizaram mamografia digital de campo total (FFDM) de rastreamento entre 2010 e 2022, excluindo aquelas com histórico prévio de MACE.

• Construção do Conjunto de Dados: Um conjunto de dados anotado por especialistas, contendo 2.676 imagens de FFDM, foi criado para o desenvolvimento do modelo. As imagens foram selecionadas via uma estratégia de enriquecimento equilibrando casos BAC-positivos e BAC-negativos com base em relatórios radiológicos, com os rótulos finais determinados por revisão manual e anotação livre por um residente de radiologia, verificada por um radiologista mamário preceptor. O conjunto de dados foi dividido em conjuntos de treinamento (1.907 imagens), validação (360 imagens) e teste (409 imagens).
• Arquitetura de Aprendizado Profundo: Uma rede neural convolucional multitarefa foi desenvolvida utilizando uma arquitetura U-Net com um codificador ResNet-18. O modelo foi treinado para gerar conjuntamente:
  1. Um mapa de segmentação de BAC ao nível do pixel.
  2. Uma probabilidade de presença de BAC ao nível da imagem.
     O objetivo do treinamento combinou a perda Focal-Tversky para segmentação e a entropia cruzada binária para classificação, com uma função de perda ponderada ($\lambda = 0,1$) favorecendo a segmentação.
• Pipeline de Quantificação: Pós-segmentação, máscaras binárias foram geradas usando um limiar de probabilidade de 0,5. A carga de BAC foi quantificada como área física (mm²) multiplicando a contagem de pixels do primeiro plano pelos valores de espaçamento de pixel codificados em DICOM. A carga por exame foi calculada pela média da área em todas as quatro incidências (craniocaudal e mediolateral oblíqua) para um paciente.
• Modelagem de Risco: O estudo avaliou o valor preditivo da carga de BAC derivada por IA para incidentes de MACE nos horizontes de 5 e 10 anos. Quatro modelos de Riscos Proporcionais de Cox foram desenvolvidos: (i) carga de BAC isolada, (ii) escore PREVENT da ACC/AHA isolado, (iii) um modelo combinado de BAC + PREVENT, e (iv) um modelo combinado de fatores de risco clínicos padrão + BAC. O desempenho foi avaliado em um conjunto de teste interno e em uma coorte de teste geograficamente externa (Brooklyn) para avaliar a generalização.

Principais Contribuições

1. Quantificação Automatizada: O estudo apresenta um pipeline de aprendizado profundo capaz de detectar e quantificar a carga de BAC em milímetros quadrados em mamografias de rastreamento de rotina com alta precisão.
2. Validação em Larga Escala: O modelo foi validado em uma coorte massiva de mais de 200.000 mulheres, com um conjunto de teste específico geograficamente externo (Brooklyn) demonstrando robustez através de diferentes populações demográficas.
3. Estratificação de Risco: A pesquisa estabelece uma relação graduada entre a carga de BAC derivada por IA e a incidência de MACE, indo além da presença/ausência binária para a estratificação contínua da carga.
4. Análise Comparativa: O artigo compara rigorosamente o poder preditivo da BAC derivada por IA contra o escore PREVENT estabelecido e os fatores de risco clínicos padrão, fornecendo uma avaliação realista de seu valor incremental.

Resultados

• Desempenho do Modelo: No conjunto de teste geograficamente externo, o modelo de detecção de BAC alcançou um AUROC de 0,97. Para segmentação, o índice Dice foi de 0,6678. A correlação entre a carga de BAC derivada por IA e a anotada manualmente foi forte (Pearson $r = 0,961$), embora o modelo tenha mostrado uma leve superestimação sistemática (viés médio de +10,3 mm²).
• Prevalência e Distribuição: A BAC detectada por IA estava presente em 23,1% da coorte. A carga de BAC aumentou com a idade e apresentou assimetria à direita, com uma carga mediana de 19,51 mm² entre pacientes BAC-positivas.
• Associação com MACE: A carga de BAC foi significativamente associada ao MACE futuro. A incidência de 5 anos de MACE subiu de 1,5% em mulheres sem BAC para 6,9% naquelas com alta carga de BAC. Da mesma forma, a incidência de 10 anos aumentou de 2,6% para 10,4% entre esses grupos.
• Desempenho Preditivo:
  • BAC Isolada: Mostrou discriminação modesta, com AUROCs de 5 e 10 anos de 0,661 e 0,650, respectivamente.
  • Escore PREVENT Isolado: Desempenhou significativamente melhor, com AUROCs de 5 e 10 anos de 0,781 e 0,771, respectivamente.
  • Modelos Combinados: Adicionar a carga de BAC ao escore PREVENT resultou em uma melhoria mínima na discriminação (por exemplo, o AUROC de 5 anos aumentou em apenas 0,0001).

Significância e Alegações
Os autores concluem que a quantificação da carga de BAC via aprendizado profundo a partir de mamografias de rotina é viável, precisa e está associada ao risco cardiovascular futuro. No entanto, eles mantêm uma postura modesta quanto à utilidade clínica como um preditor isolado. O artigo afirma que, embora a carga de BAC sozinha não melhore significativamente a discriminação quando adicionada ao escore PREVENT, ela serve como um valioso biomarcador de imagem oportunística escalável.

A significância reside no potencial de tornar o risco cardiovascular "visível e acionável" para mulheres que poderiam, de outra forma, ser classificadas como de baixo risco pelos métodos tradicionais. Ao aproveitar a infraestrutura existente da mamografia, essa abordagem pode identificar mulheres em risco elevado sem custo adicional, radiação ou ônus para o paciente, potencialmente induzindo uma avaliação de risco precoce, avaliação lipídica e cuidados preventivos. Os autores posicionam a BAC não como um substituto para os modelos de risco clínico, mas como um marcador de imagem complementar e padronizado que pode acionar o suporte à decisão clínica e intervenções preventivas.