Modelos de deep learning en mamografía: ¿una oportunidad para anticipar el riesgo de cáncer de mama intervalo?
La predicción del cáncer de mama intervalo se ha convertido en uno de los desafíos más relevantes para los programas de tamizaje. Estos tumores, que aparecen entre rondas de cribado, suelen ser más agresivos y se diagnostican en estadios más avanzados.
Un nuevo análisis retrospectivo, publicado en Radiology, basado en más de 134.000 mamografías trienales, evalúa el desempeño del modelo de deep learning Mirai para estimar el riesgo a uno, dos y tres años.
Los resultados muestran una consistencia notable, con potencial para transformar la estratificación de riesgo en la práctica clínica.
¿Por qué son importantes los cánceres intervalo?
Los cánceres intervalo se diagnostican entre las rondas de tamizaje, a pesar de mamografías previas negativas. Suelen asociarse con mayor agresividad biológica y con una menor sensibilidad del método en mamas densas.
Predecir cuáles pacientes tienen mayor probabilidad de desarrollarlos permitiría ajustar los intervalos de tamizaje y ofrecer estudios complementarios a quienes más los necesitan.
En este contexto, los modelos de inteligencia artificial representan una herramienta prometedora.
Un estudio con más de 134.000 mamografías trienales
La investigación evaluó mamografías digitales con resultado negativo obtenidas en el Programa de Tamizaje del Reino Unido. El modelo Mirai procesó 134.217 estudios correspondientes al mismo número de mujeres, con una edad promedio de 59 años.
Durante el seguimiento se registraron 524 cánceres intervalo confirmados histopatológicamente, permitiendo evaluar la capacidad predictiva del algoritmo en tres horizontes temporales.
Desempeño estable a uno, dos y tres años
El modelo mostró un rendimiento consistente, con áreas bajo la curva (AUC) de 0,72 al año, 0,67 a los dos años y 0,67 a los tres.
La ausencia de diferencias significativas entre estos valores sugiere que Mirai conserva su utilidad predictiva más allá del primer año postmamografía. Este detalle es relevante para programas que utilizan intervalos prolongados, como el cribado trienal del Reino Unido.
Capacidad para identificar subgrupos de mayor riesgo
Los investigadores evaluaron distintos umbrales de riesgo. Las mujeres dentro del 20 % de puntajes más altos concentraron el 42,4 % de los cánceres intervalo, lo que evidencia su utilidad para seleccionar quiénes podrían beneficiarse de estudios complementarios o intervalos de control más cortos.
Incluso en el umbral más estricto, el 1 % de mayor riesgo, el modelo logró identificar el 3,6 % de estos tumores, mostrando sensibilidad escalonada según el punto de corte elegido.
Rendimiento similar entre edades y densidades mamarias
Una de las fortalezas del estudio fue su análisis estratificado. El rendimiento de Mirai fue comparable entre mujeres jóvenes y mayores, con AUCs entre 65 % y 68 %.
La densidad mamaria tampoco afectó significativamente la precisión: el modelo mantuvo AUCs cercanas al 66 %, incluso en tejidos densos, donde la sensibilidad mamográfica suele disminuir. Estas observaciones apoyan la aplicabilidad del modelo en poblaciones heterogéneas.
¿Cómo logra el modelo sortear la limitación de la densidad?
Los autores sugieren que este sistema podría identificar características relacionadas con la densidad como parte de su representación interna, incluso sin recibir esta variable explícitamente.
A diferencia de métodos tradicionales o modelos que combinan densidad y características derivadas de imagen, el mencionado parece integrar esta información de manera implícita, lo que le permite mantener su rendimiento en un factor clínico históricamente desafiante.
Oportunidades para personalizar el tamizaje mamográfico
La capacidad para estratificar riesgo dentro de un programa trienal abre la puerta a nuevas estrategias personalizadas. Un enfoque basado en IA podría permitir:
- acortar intervalos de control en pacientes con puntajes altos;
- incorporar RM o ecografía complementaria en casos seleccionados;
- optimizar recursos al dirigir estudios adicionales a quienes más lo necesitan.
Estas aplicaciones requieren validación prospectiva, pero el potencial transformador es evidente.
Limitaciones y perspectivas clínicas
A pesar de los resultados positivos, el estudio analizó retrospectivamente mamografías con resultado negativo.
La implementación clínica debe considerar factores como interoperabilidad, variabilidad entre equipos de mamografía o la aceptación por parte de radiólogos y programas poblacionales. Sin embargo, estos hallazgos representan un paso importante hacia la integración de IA en flujos de cribado poblacional.
Una herramienta complementaria para mejorar la detección temprana
El modelo no busca reemplazar al radiólogo ni al tamizaje convencional. Su valor reside en complementar estos procesos mediante una estimación más precisa del riesgo de cáncer intervalo.
En programas donde los intervalos pueden alcanzar tres años, anticipar estas lesiones podría mejorar el pronóstico de cientos de pacientes y optimizar la asignación de recursos diagnósticos.
Hacia un tamizaje más inteligente y adaptable
La investigación demuestra que un modelo de deep learning puede mantener rendimiento estable en horizontes prolongados y en poblaciones amplias y diversas.
El futuro del tamizaje mamográfico parece orientarse hacia estrategias dinámicas, donde la frecuencia y naturaleza de los estudios se ajusten al riesgo individual. Los modelos podrían ser uno de los pilares para avanzar hacia ese escenario.
Para más información puede visitar Radiology.
0 comentarios