CycleGAN para la predicción de la respuesta patológica completa en cáncer de mama con imágenes DCE-MRI

Abstract

El cáncer de mama es una de las principales causas de mortalidad a nivel mundial. La predicción anticipada de la respuesta patológica completa (PCR) tras la quimioterapia neoadyuvante es clave para personalizar tratamientos y mejorar el pronóstico de los pacientes. Este trabajo investiga el uso de arquitecturas Cycle-Generative Adversarial Networks (CycleGAN) para la predicción de la PCR en el cáncer de mama a partir de imágenes de Resonancia Magnética Dinámica con Contraste (DCE-MRI), sin requerir imágenes emparejadas. Los recursos utilizados están formados por un conjunto de datos de más de 1500 casos de DCE-MRI junto con sus variables clı́nicas. Se diseñó un modelo AC-CycleGAN, que extiende la arquitectura tradicional de una Cycle-GAN añadiendo una salida de clasificación auxiliar. Además, se incorporó una función de pérdida basada en máscaras para focalizar el aprendizaje en regiones de interés, como las tumorales, utilizando para ello diferentes segmentaciones. Los resultados muestran que la arquitectura propuesta no logra aprender representaciones discriminativas entre los dominios PCR0 y PCR1 en un conjunto de datos heterogéneo, especialmente en la clase minoritaria PCR1. En el caso del modelo base sin adversarialidad, los resultados son comparables, mostrando igualmente dificultades para mejorar significativamente la clasificación de la clase PCR1. Además, se integraron mapas de atención para facilitar la interpretación clínica de las predicciones. Este trabajo concluye que, aunque el uso de CycleGAN para tareas de clasificación ha resultado ineficiente, su rendimiento ha sido comparable al del modelo base. Como líneas futuras, se plantea la exploración de enfoques multimodales, el uso de arquitecturas híbridas con mecanismos de atención y la evaluación de una arquitectura combinada con un modelo externo para mejorar su capacidad de generalización.

Breast cancer is one of the leading causes of mortality worldwide. Early prediction of the pathological complete response (PCR) after neoadjuvant chemotherapy is crucial for personalizing treatments and improving patient prognosis. This work investigates the use of Cycle-Generative Adversarial Networks (CycleGAN) architectures for predicting PCR in breast cancer based on Dynamic Contrast-Enhanced Magnetic Resonance Imaging (DCE-MRI), without requiring paired images. The resources used include a dataset of over 1,500 DCE-MRI cases along with their associated clinical variables. An AC-CycleGAN model was designed, extending the traditional CycleGAN architecture by adding an auxiliary classification output. Additionally, a mask-based loss function was incorporated to focus the learning process on regions of interest, such as tumors, using different segmentation strategies. The results show that the proposed architecture fails to learn discriminative representations between the PCR0 and PCR1 domains in a heterogeneous dataset, particularly for the minority class PCR1. In the baseline model without adversarial training, the results are comparable, also showing difficulties in improving the classification of the PCR1 class. Moreover, attention maps were integrated to facilitate the clinical interpretation of the predictions. This work concludes that although the use of CycleGAN for classification tasks has proven inefficient, its performance has been comparable to that of the baseline model. Future work includes the exploration of multimodal approaches, the use of hybrid architectures with attention mechanisms, and the evaluation of a combined architecture with an external model to enhance generalization capability.