May 16 - 18, 2024 Brasilia - Brazil

Jose Aristodemo Pinotti Award

JOSE ARISTODEMO PINOTTI

hospitals in Florence and Rome and in Paris (France)

Awarded 2023

MACHINE LEARNING CAN RELIABLY PREDICT MALIGNANCY OF BI-RADS 4A AND 4B BREAST LESIONS BASED ON CLINICAL AND ULTRASONOGRAPHIC FEATURES

Isabela Panzeri Carlotti Buzatto¹, Daniel Guimarães Tiezzi¹, Sarah Abud Recife², Ruth Morais Bonini³, Licerio Miguel², Liliane Silvestre¹, Nilton Onari³, Ana Luiza Peloso Araujo Faim³

¹ Department of Obstetrics and Gynecology – Breast Disease Division, Ribeirão Preto Medical School, University of São Paulo. Brazil.
² Department of Gynecology & Obstetrics, Women's Health Reference Center of Ribeirão Preto (MATER), Ribeirão Preto Medical School, University of São Paulo. Brazil.
³ Department of Radiology, Hospital de Amor de Campo Grande, Mato Grosso do Sul. Brazil.

Objective: To establish the most reliable machine learning model to predict malignancy in BI- RADS; 4a and 4b breast lesions, and optimize the negative predictive value to minimize unnecessary biopsies. Methodology: We included clinical and ultrasonographic attributes from 1,250 breast lesions from four Institutions classified as BI-RADS; 3 , 4a, 4b, 4c, 5 and 6. We selected the most informative attributes to train the models in order to make inferences about the diagnosis of BI-RADS; 4a and 4b lesions (validation dataset). Using the best parameters and hyperparameters selected we tested the performance of nine models and 1530 ensemble models.
Results: The most informative attributes were shape, margin, orientation and size of the lesions, the resistance index of the internal vessel, the age of the patient and the presence of a palpable lump. The highest mean NPV was achieved with XGBoost (93.6%).The final performance of the best ensemble model was: NPV= 96.4%, sensitivity= 81.5%, specificity= 84.1%, PPV= 46.8%, f1-score= 59.5% and the final accuracy= 83.7%. Age was the most important attribute to predict malignancy. The use of the final model associated with the patient’s age would reduce in 51% the number of biopsies in women with BI-RADS; 4a or 4b lesions. Conclusion: Machine learning can predict malignancy in BI-RADS; 4a and 4b breast lesions identified by
the US, based on clinical and ultrasonographic features. Our final prediction model would be able to avoid 51% of the 4a and 4b breast biopsies, without missing any cancers.
Keywords: ultrasonography, mammary; machine learning; artificial intelligence; image-guided biopsy

Awarded 2022

FOTOBIOMODULAÇÃO EM RADIODERMATITE DE CÂNCER DE MAMA: FOTODERME, UM ENSAIO DUPLO-CEGO RANDOMIZADO CONTROLADO (NCT04059809)

Francine Fischer Sgrott 1 , Jaqueline Munaretto Tim Baiocchi 2 , Glauco Baiocchi Neto 3 , Pamela Cabral Finato Rech 4 , Anderson da Cruz 4 , Omar Sulivan Ruzza Filho 4 , Lucas Sapienza 5

1Universidade do Vale do Itajai (UNIVALI), Itajaí (SC) – Brazil
2Instituto Oncofisio, São Paulo (SP) – Brazil
3AC Camargo Cancer Center, São Paulo (SP) – Brazil
4CORB Radioterapia, Itajaí (SC) – Brazil
5Baylor College of Medicine, Houston – United States

Objetivo: Avaliar o impacto do PBM na redução da prevalência de radiodermatite no câncer de mama.
Metodologia: Foi realizado um estudo randomizado duplo-cego controlado que incluiu mulheres submetidas à cirurgia conservadora ou mastectomia e tratadas com Radioterapia 3D. Os pacientes foram aleatoriamente designados (1:1) para receber cuidados habituais com a pele ± PBM vermelho (660 nm) com energia de 3 Joules por ponto a cada 2 cm na mama por 10 minutos. O grau de radiodermatite foi avaliado cegamente por 2 profissionais a cada 5 dias do D5 ao D30 da radioterapia adjuvante. O grupo controle teve o dispositivo PBM posicionado, mas não foi ligado. O aparelho foi posicionado na parte superior da mama operada (plastrão). As regiões axilar, inframamária e supraclavicular foram excluídas do modelo do dispositivo PBM.
Resultados:48 mulheres foram incluídas no estudo (26 mulheres no grupo PBM e 22 no grupo controle). A idade mediana foi de 51,5 anos (intervalo, 29-78) e dose total mediana de radiação de 50,4 Gy (intervalo, 42-55). As variáveis ​​clínicas e patológicas não diferiram entre os grupos. No total, 16 (33,3%) casos apresentaram radiodermatite no plastrão mamário e 42 (87,5%) fora da área do plastrão mamário. A radiodermatite no plastrão mamário foi significativamente menor no grupo PBM em comparação com o grupo controle [11,5% vs. 59,1%; HR 0,090 (IC 95%: 0,021-0,39); p=0,001]. No entanto, não houve diferença nas taxas de radiodermatite fora da área da mama (não envolvida com PBM) para o grupo PBM em comparação com o grupo controle [88,5% vs. 86,4%; HR 1,21 (IC 95%: 0,21-6,7); p=0,82]. Além disso, 2 (7,7%) casos no grupo PBM e 12 (54. 5%) no grupo controle tiveram radiodermatite nas regiões mamária e não mamária [HR 0,069 (95% CI: 0,013-0,36); p=0,002].
Conclusão: Nossos resultados sugerem que o PBM em mulheres com câncer de mama tratadas com radiação adjuvante reduz significativamente o risco de radiodermatite.
Palavras-chave: Neoplasias da mama. Laserterapia de baixa intensidade. Fotobiomodulação. Radiação. Oncologia de Radiação. Reações cutâneas induzidas por radioterapia.