Una nueva IA para mamografía mejora la precisión en clasificaciones BI-RADS 3 y 4
La inteligencia artificial continúa ampliando su impacto en el diagnóstico por imágenes, especialmente en mamografía, donde persisten desafíos como las mamas densas y la alta tasa de falsos positivos. Un nuevo estudio publicado en Insights into Imaging destaca el desarrollo y validación de un modelo de aprendizaje profundo que podría cambiar el paradigma diagnóstico en mujeres clasificadas inicialmente como BI-RADS 3 o 4.
Un modelo de IA diseñado para un contexto clínico desafiante
El estudio fue realizado sobre una cohorte de más de 12.000 mujeres asiáticas que se sometieron a mamografía entre 2012 y 2018. Los investigadores desarrollaron un sistema de inteligencia artificial (AIS) basado en redes neuronales convolucionales (CNN), capaz de analizar imágenes mamográficas a nivel de parches y del conjunto completo, ofreciendo así un doble enfoque para la detección de cáncer de mama.
El modelo se diseñó específicamente teniendo en cuenta la alta densidad mamaria típica de la población asiática, un factor que dificulta la detección por mamografía convencional y suele dar lugar a clasificaciones poco concluyentes o erróneas.
Resultados prometedores en sensibilidad, especificidad y reestratificación
Los resultados del modelo fueron sólidos en múltiples métricas. En dos cohortes de prueba independientes, el sistema alcanzó áreas bajo la curva (AUC) de 93,3% y 94,7% para la detección de lesiones malignas. La sensibilidad promedio fue de 82,6% y la especificidad, de 95,5%, con una precisión general de 93,1%.
Uno de los hallazgos más relevantes fue la capacidad del modelo para mejorar la estratificación en los casos iniciales de BI-RADS 3 y 4.
En estos subgrupos, la IA logró reclasificar el 83,1% de los falsos positivos como benignos y el 54,1% de los falsos negativos como malignos. Esta reclasificación puede contribuir significativamente a reducir tanto los sobrediagnósticos como los diagnósticos tardíos.
Aplicación clínica: un soporte para la toma de decisiones en BI-RADS intermedios
Las categorías BI-RADS 3 y 4 representan un área gris diagnóstica: la primera sugiere un hallazgo probablemente benigno que requiere seguimiento, mientras que la segunda indica sospecha de malignidad que justifica biopsia. Ambas generan incertidumbre clínica y ansiedad en las pacientes.
La IA propuesta actúa como herramienta de apoyo para los radiólogos en estas situaciones intermedias, permitiendo una mejor discriminación de casos realmente sospechosos.
Según los autores, este tipo de soporte puede optimizar la toma de decisiones y reducir intervenciones innecesarias sin comprometer la seguridad diagnóstica.
IA complementaria, no sustitutiva: impacto en la práctica médica
El estudio incluyó además una evaluación controlada con diez radiólogos que analizaron 1.302 casos con y sin asistencia del sistema de IA.
La inclusión del modelo mejoró de forma significativa el desempeño diagnóstico, incrementando el AUC promedio de los lectores (p = 0,001).
Este hallazgo refuerza la idea de que la IA puede actuar como segundo lector experto, mejorando la precisión sin reemplazar el juicio clínico. En particular, el modelo ayudó a identificar siete casos malignos inicialmente clasificados como BI-RADS 0, una categoría que suele implicar necesidad de estudios adicionales.
Imagen destacada de Insights into Imaging
Dos mamas densas representativas en el estudio sobre asistencia con inteligencia artificial (IA). La Paciente 1 presenta un cáncer de mama benigno y la Paciente 2 un cáncer de mama maligno.
Ambas tienen parénquimas mamarios densos, lo que suele dificultar a los radiólogos la diferenciación entre lesiones benignas y malignas. Sin embargo, con la ayuda del sistema de inteligencia artificial (AIS), la mayoría de los lectores logró distinguirlas correctamente.
Paciente 1: Mamografías de una mujer de 48 años con adenosis, que muestran una glándula densa con distorsión estructural en el cuadrante inferior externo de la mama izquierda. Con la asistencia del AIS, las categorías BI-RADS asignadas por diez lectores se ajustaron de: 4C, 4B, 3, 4B, 4C, 3, 1, 3, 4A, 4B a: 1, 4B, 3, 4B, 3, 3, 1, 3, 3, 3.
Paciente 2: Mamografías de una mujer de 42 años con carcinoma ductal invasivo (IDC), que evidencian una glándula densa, áreas parcheadas de alta densidad y calcificaciones gruesas y puntiformes en el cuadrante inferior interno de la mama izquierda. Con la ayuda del AIS, las categorías BI-RADS asignadas por diez lectores se modificaron de: 3, 4B, 3, 3, 4B, 4B, 2, 4A, 3, 3 a: 4C, 4C, 3, 4B, 2, 4A, 4A, 4B, 4B, 3.
BI-RADS: sistema de informes y datos para la imagen mamaria; AIS: sistema de inteligencia artificial.
Valor agregado en regiones con bajo acceso a detección
Un aspecto distintivo de este trabajo es su enfoque en una población no caucásica, con características mamográficas particulares. En regiones asiáticas, la baja tasa de tamizaje mamográfico y la escasa adopción de herramientas de detección asistida por computadora (CAD) limitan la efectividad del diagnóstico precoz.
El modelo desarrollado por el equipo liderado por la Dra. Hongna Tan, del Hospital Provincial de Henan y la Universidad de Zhengzhou (China), puede ofrecer una solución contextualizada.
Al ser entrenado sobre datos representativos de mujeres asiáticas, su desempeño es más confiable para esta población que los modelos previamente desarrollados en cohortes occidentales.
Limitaciones y próximos pasos
Aunque los resultados son alentadores, los autores reconocen limitaciones inherentes a estudios retrospectivos y la necesidad de validación externa en otros grupos poblacionales.
También destacan que la incorporación del sistema en entornos clínicos reales requerirá consideraciones regulatorias, integración con flujos de trabajo existentes y aceptación por parte de los profesionales.
Sin embargo, el estudio marca un paso importante hacia el uso responsable de IA en mamografía, al priorizar la mejora en la toma de decisiones clínicas y la personalización del riesgo en lugar de la automatización total del diagnóstico.
Una herramienta que aporta precisión sin desplazar al radiólogo
Este nuevo modelo de IA demuestra cómo las tecnologías avanzadas pueden integrarse de manera inteligente en el proceso diagnóstico, actuando como un asistente experto que mejora la eficiencia y la precisión sin perder de vista el juicio clínico humano.
Al enfocarse en poblaciones subrepresentadas, como mujeres asiáticas con mamas densas, esta investigación también subraya la importancia de desarrollar soluciones inclusivas que respondan a necesidades reales.
Con más estudios prospectivos, adaptación a otros grupos demográficos y validación clínica, herramientas como esta podrían redefinir el rol de la mamografía en la detección temprana del cáncer de mama.
Para conocer más sobre este aporte puede visitar Insights into Imaging y acceder al artículo completo.
0 comentarios