May 18 - 20, 2023 Goias - Brazil

Jose Aristodemo Pinotti Award

JOSÉ ARISTODEMO PINOTTI

hospitals in Florence and Rome and in Paris (France)

JOSE ARISTODEMO PINOTTI AWARD

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.