AI WAVEMAR: Design of an artificial intelligence model for detecting suspicious findings in screening mammography

Abstract

Objective

To describe the development, training and evaluation of AI WaveMar, an artificial intelligence (AI)-based tool designed for the automated detection of suspicious mammographic findings in breast cancer screening.

Materials and methods

An image classification model based on convolutional neural networks has been developed. The model has been trained on a mixed dataset of 48,562 anonymised mammographic projections, obtained from a public hospital in Spain and the external Chinese Mammography Database (CMMD). The model was evaluated on an independent test set composed of 4902 images. Performance metrics calculated included sensitivity (S or recall), specificity (SP), positive predictive value (PPV or precision), negative predictive value (NPV), accuracy and F1-score.

Results

AI WaveMar achieved a sensitivity of 92.95% (P < .001) and a specificity of 98.12% (P < .001). The PPV was 89.79% (P < .001), and the NPV was 98.74% (P < .001). Accuracy reached 97,34% (P < .001), with an F1-score of 92.34%, indicating high and balanced diagnostic performance.

Conclusion

AI WaveMar is an AI-based tool developed to support mammographic interpretation, with preliminary results suggesting it could help optimise breast cancer screening. However, prospective clinical validation in real-world practice is required to confirm its diagnostic utility.

Resumen

Objetivo

Describir el desarrollo, entrenamiento y evaluación de AI WaveMar, una herramienta basada en inteligencia artificial (IA) diseñada para la detección automatizada de hallazgos mamográficos sospechosos en el contexto del cribado de cáncer de mama.

Materiales y métodos

Se desarrolló un modelo de clasificación de imágenes basado en redes neuronales convolucionales. El modelo fue entrenado con un conjunto mixto de 48.562 proyecciones mamográficas anonimizadas, procedentes de un hospital público de España y del Dataset externo Chinese Mammography Database (CMMD). El modelo fue evaluado en un conjunto de prueba independiente (test set) compuesto por 4.902 imágenes. Se calcularon métricas de rendimiento como sensibilidad (S o recall), especificidad (E), valor predictivo positivo (VPP o precisión), valor predictivo negativo (VPN), exactitud (accuracy) y F1-score.

Resultados

AI WaveMar alcanzó una sensibilidad del 92,95% (P < ,001) y una especificidad del 98,12% (P < ,001). El VPP fue del 89,79% (P < ,001) y el VPN del 98,74% (P < ,001). La exactitud fue del 97,34% (P < ,001) y el F1-score del 92,34%, evidenciando un rendimiento diagnóstico elevado y equilibrado.

Conclusión

AI WaveMar es una herramienta de IA desarrollada como apoyo a la interpretación mamográfica, cuyos resultados preliminares sugieren que podría contribuir a optimizar el cribado mamográfico. No obstante, se requiere una validación clínica prospectiva en la práctica real para confirmar su utilidad diagnóstica.