Inteligencia artificial en mamografía: un estudio revela fortalezas y limitaciones
La inteligencia artificial (IA) continúa expandiendo su presencia en la detección del cáncer de mama, pero sus resultados aún generan debate. Un amplio estudio comparativo publicado en American Journal of Roentgenology evaluó el desempeño de un software de IA frente a radiólogos en la interpretación de mamografía digital (DM) y tomosíntesis digital de mama (DBT), analizando más de 31.000 exámenes.
Los hallazgos muestran que, si bien la IA ofrece un valor predictivo negativo (NPV) casi equivalente al de los radiólogos, también se asocia con tasas de recuerdo y falsos positivos significativamente mayores.
Diseño del estudio y población
El análisis retrospectivo incluyó 26.693 mamografías digitales y 4.824 estudios de tomosíntesis.
Se utilizó el software Transpara v1.7.1 (ScreenPoint Medical) en dos umbrales diagnósticos: riesgo elevado y riesgo intermedio/elevado. Los resultados fueron comparados con la interpretación de radiólogos experimentados.
Valor predictivo negativo comparable
La IA alcanzó un NPV de 99,8–99,9% en ambas modalidades, prácticamente idéntico al obtenido por los radiólogos.
Este rendimiento respalda su potencial para clasificar como negativos una gran proporción de estudios (58,2% en DM y 68,1% en DBT), lo que podría permitir a los radiólogos centrar sus esfuerzos en casos más complejos.
Según la autora principal, Dra. Iris E. Chen (UCLA), esta estrategia podría “mejorar la eficiencia del flujo de trabajo, reducir la fatiga interpretativa y optimizar el uso de los recursos sanitarios”.
Sensibilidad frente a especificidad
Al analizar la sensibilidad, la IA superó a los radiólogos en la detección:
- 94% en DM
- 89,2% en DBT
Sin embargo, los especialistas obtuvieron una especificidad claramente superior (93,3% en DM y 93,7% en DBT), reduciendo el número de falsos positivos.
Los autores destacaron que los cánceres omitidos por la IA eran generalmente tumores pequeños sin afectación ganglionar microscópica, lo que sugiere un impacto clínico limitado en programas de cribado anual.
Tasas de recuerdo y falsos positivos
El principal desafío fue el número de falsos positivos y estudios recordados:
En DM, la tasa de recuerdo fue de 7,2% para radiólogos, frente a 14% con IA en riesgo elevado y 41,8% en riesgo intermedio/elevado.
En DBT se observaron tendencias similares.
Los investigadores advirtieron que el uso indiscriminado de las categorías intermedias de riesgo podría multiplicar las re-llamadas innecesarias.
Además, alertaron sobre el riesgo de sesgo de automatización, es decir, que los radiólogos confíen excesivamente en la decisión de la IA aun cuando su criterio sugiera lo contrario.
Implicaciones clínicas
El estudio sugiere un papel prometedor para la IA como herramienta de apoyo en mamografía, sobre todo para agilizar la lectura de casos negativos y mantener la seguridad en los programas poblacionales de cribado.
No obstante, su implementación debe ir acompañada de protocolos claros que eviten un exceso de falsos positivos y un impacto negativo en la experiencia de las pacientes.
Mirada a futuro
La IA aplicada a la mamografía no busca reemplazar al radiólogo, sino complementar su labor. Los resultados de este estudio muestran que puede mejorar la sensibilidad, pero que aún requiere ajustes en la gestión de la especificidad y el control de sesgos.
El reto ahora es encontrar el equilibrio óptimo entre sensibilidad y precisión, garantizando que el beneficio en la detección temprana no se vea contrarrestado por un exceso de intervenciones innecesarias.
Para conocer más detalles puede visitar el American Journal of Roentgenology.
0 comentarios