Una herramienta de inteligencia artificial ayuda a detectar antes el cáncer de mama «oculto» entre una y otra mamografía
Un algoritmo desarrollado por el MIT y validado por la Universidad de Cambridge permite anticipar qué mujeres desarrollarán cáncer de mama entre revisiones normales. La IA promete transformar el cribado en una herramienta preventiva personalizada.
Por Enrique Coperías
Un estudio en Radiology demuestra que el modelo de IA Mirai predice qué mujeres desarrollarán cáncer de mama entre mamografías rutinarias. Cortesía: ScreenPoint Medical
Un nuevo modelo de inteligencia artificial (IA) podría revolucionar la manera en que se detecta el cáncer de mama en los programas públicos de cribado. Un estudio publicado en la revista Radiology muestra que el algoritmo Mirai, desarrollado por investigadores del Instituto Tecnológico de Massachusetts (MIT) y validado ahora en el sistema británico de salud, es capaz de identificar a las mujeres con mayor riesgo de desarrollar un cáncer entre dos revisiones rutinarias, los llamados cánceres de intervalo.
Estos tumores son especialmente problemáticos: aparecen en los años que transcurren entre mamografías, suelen ser más grandes y agresivos que los detectados durante el cribado y, a menudo, se diagnostican tarde. El hallazgo abre la puerta a un cribado más inteligente y personalizado, que adapte la frecuencia o la intensidad de las pruebas a la situación de cada mujer, en lugar de aplicar el mismo calendario para todas.
«Los cánceres de intervalo suelen tener un peor pronóstico que los detectados mediante cribado, porque tienden a ser más grandes o más agresivos. Por eso es importante minimizar el número de cánceres de intervalo en cualquier programa de detección», explica Fiona Gilbert, profesora de Radiología en la Universidad de Cambridge y autora principal del estudio, en un comunicado de la Radiological Society of North America (RSNA).
Por qué los cánceres de intervalo escapan al cribado
El programa nacional de detección precoz del Reino Unido invita cada tres años a las mujeres de entre cincuenta y setenta años a realizarse una mamografía. Es un sistema eficaz, pero no perfecto: algunos tumores pasan inadvertidos o se desarrollan rápidamente después de una prueba normal.
Estos casos, los cánceres de intervalo representan un porcentaje pequeño —unos 3 o 4 por cada mil mujeres cribadas—, pero son responsables de buena parte de los diagnósticos más tardíos.
🗣️ «Cada vez entendemos mejor que el cribado de mama no puede ser idéntico para todas las mujeres —explica Gilbert—. Factores como la densidad mamaria o la genética influyen en el riesgo individual, y la inteligencia artificial nos da la posibilidad de medirlo directamente a partir de la imagen».
Mirai: un modelo de aprendizaje profundo que «lee» el riesgo en la mamografía
El sistema Mirai fue desarrollado hace unos años por el laboratorio de la ingeniera computacional Regina Barzilay en el MIT. Utiliza redes neuronales profundas entrenadas con decenas de miles de mamografías para aprender patrones sutiles que los ojos humanos no pueden detectar.
El objetivo de Barzilay no es identificar un tumor visible, sino estimar la probabilidad de que una mujer desarrolle cáncer de mama en los próximos años, incluso cuando la mamografía actual es completamente normal.
Hasta ahora, el modelo había demostrado su eficacia en estudios retrospectivos realizados en hospitales de Estados Unidos y otros países, pero no se había probado en un programa de cribado trienal como el británico, donde el intervalo entre exploraciones es más largo que en otros sistemas, que suelen ser anuales o bienales (caso de España). Evaluar su utilidad en ese contexto era crucial.
La IA puede ayudar a los radiólogos en el diagnostico del cáncer de mama. Sobre estas líneas, .os radiólogos leyeron primero la mamografía sin las marcas de la inteligencia artificial y después con ellas, que en este caso señalaban una pequeña masa espiculada, rodeada en rojo. La mujer fue llamada a revisión y se le diagnosticó un cáncer invasivo de 5 milímetros sin afectación ganglionar. Cortesía: The Lancet Digital Health / DOI: 10.1016/S2589-7500(24)00267-X
Un estudio con más de 130.000 mamografías británicas
El equipo de Cambridge analizó 134.217 mamografías de mujeres que participaron entre 2014 y 2016 en dos centros del programa nacional británico. Todas las imágenes eran normales en su momento; sin embargo, 524 de esas mujeres desarrollaron un cáncer en los tres años siguientes. El objetivo era comprobar si Mirai habría podido anticipar ese riesgo.
Los investigadores procesaron todas las imágenes con el modelo, que asigna a cada paciente un riesgo a tres años basado únicamente en la mamografía. Los resultados se compararon con los casos reales de cáncer de intervalo. Para medir la precisión del sistema se utilizó el área bajo la curva ROC (AUC), un estándar estadístico que indica la capacidad de distinguir entre mujeres con y sin enfermedad futura.
El rendimiento fue notable, pues Mirai alcanzó un AUC de 0,67 para predecir cánceres de mama a tres años, un valor comparable al de los mejores modelos de riesgo disponibles y superior al de los sistemas tradicionales basados en factores clínicos o familiares. Su capacidad no varió significativamente con la edad ni con la densidad del tejido mamario, un aspecto especialmente relevante, ya que las mamas densas dificultan la lectura humana de las imágenes.
Qué porcentaje de cánceres habría detectado Mirai
Los autores analizaron distintos umbrales de riesgo para explorar la utilidad práctica del sistema de IA. Si se hubiera examinado con más frecuencia o con técnicas complementarias, como la resonancia magnética y la ecografía, al 10 % de las mujeres con las puntuaciones de riesgo más altas, el modelo habría identificado uno de cada cuatro cánceres de intervalo. Si se ampliaba ese grupo al 20 % más alto, se habría detectado el 42 % de los casos.
🗣️ «Nuestros resultados sugieren que analizar más a fondo las mamografías que se sitúan en el 20 % superior de las puntuaciones de riesgo podría permitir detectar el 42,4 % de los cánceres de intervalo —explica Joshua Rothwell, investigador principal del trabajo. Y añade—: Esto significa que Mirai podría utilizarse para identificar a las mujeres que necesitan estudios de imagen complementarios o un intervalo de cribado más corto, en lugar de —o además de— basarse únicamente en la densidad mamaria».
En números absolutos, eso equivaldría a descubrir más de doscientos tumores antes de que se manifestaran clínicamente. Para un programa poblacional, esa cifra representa un avance potencial enorme en términos de supervivencia y reducción de tratamientos agresivos.
Cribado personalizado: más precisión, no más pruebas
El estudio no propone realizar más mamografías a todas las mujeres, sino ajustar la frecuencia o el tipo de prueba a quienes más lo necesitan. «Un enfoque personalizado podría reducir tanto los diagnósticos tardíos como los falsos positivos y el sobretratamiento», señalan los autores. En lugar de citar cada tres años a todas las pacientes, el sistema podría recomendar controles más frecuentes o con resonancia magnética a aquellas mujeres con mayor riesgo, y espaciar las revisiones de las que presentan bajo riesgo.
«La detección personalizada del cáncer de mama depende de evaluar con precisión el riesgo individual de desarrollar la enfermedad dentro de un periodo de tiempo específico. Podemos utilizar estudios de imagen complementarios y ajustar la frecuencia del cribado según la densidad mamaria de cada mujer y la probabilidad de desarrollar un cáncer en un corto plazo», resume Gilbert.
Este tipo de estrategias ya se están ensayando en varios países. En el Reino Unido, el ensayo ScreenTrustMRI ha demostrado que añadir una resonancia magnética a las mujeres seleccionadas mediante algoritmos de inteligencia artificial permite encontrar hasta 64 cánceres por cada mil mujeres, multiplicando por ocho la tasa habitual del cribado convencional. Los modelos como Mirai podrían servir precisamente para decidir quiénes se benefician de esas exploraciones adicionales.
Limitaciones del modelo de IA
Pese a los buenos resultados, los investigadores advierten de que su estudio tiene limitaciones. En efecto, se trata de un análisis retrospectivo: el modelo evaluó mamografías del pasado, no mujeres en tiempo real. Por tanto, aún no se sabe si su aplicación práctica conseguiría reducir la mortalidad por cáncer de mama o los cánceres de intervalo en la población. Esa demostración requerirá ensayos clínicos prospectivos, actualmente en preparación.
Además, Mirai es una caja negra: no explica qué características de la imagen considera sospechosas. No está claro si predice la aparición de nuevos tumores o si simplemente detecta signos sutiles de un cáncer que ya estaba presente pero pasó inadvertido a los radiólogos. De hecho, la mayoría de los casos identificados por el modelo correspondían a mamografías que, al revisarse, mostraban indicios que podrían haberse interpretado como anómalos. En otras palabras, Mirai podría actuar como un segundo lector automatizado muy preciso.
Otra cuestión pendiente es la calibración. El modelo fue entrenado con imágenes obtenidas con equipos de la marca Hologic, mientras que en el estudio británico se usaron principalmente sistemas de Philips y GE Healthcare. Los autores observaron que el rendimiento era algo mejor con estos últimos, probablemente porque sus características técnicas son más similares a las de Hologic. Esto sugiere que cada sistema de IA debe validarse y ajustarse a los equipos y poblaciones locales antes de implantarse a gran escala.
IA y medicina personalizada
El potencial de esta herramienta va más allá del cáncer de mama. Si los modelos de riesgo basados en imagen funcionan, podrían transformar el paradigma del cribado poblacional, pasando de estrategias uniformes a programas adaptados a cada persona.
«La inteligencia artificial no sustituirá al radiólogo, pero puede darle una brújula mucho más precisa», señala Rothwell.
En este sentido, el estudio se alinea con un movimiento más amplio hacia la prevención personalizada. En lugar de esperar a que la enfermedad aparezca, el objetivo es identificar a quienes tienen más probabilidades de desarrollarla y actuar antes. El cáncer de mama es un terreno especialmente fértil para ello: su incidencia es alta, la mamografía está muy extendida y la detección precoz mejora drásticamente la supervivencia.
Un enfoque personalizado del cáncer de mama con ayuda de la IA podría reducir tanto los diagnósticos tardíos como los falsos positivos y el sobretratamiento, según los autores del estudio. Cortesía: Cassling
Implicaciones para el sistema sanitario
Aplicar algoritmos de inteligencia artificial como Mirai en un programa nacional implicaría retos logísticos y éticos. Habría que decidir qué umbrales de riesgo justifican una exploración adicional, cómo comunicar esa información a las pacientes y cómo evitar una sobrecarga de los servicios radiológicos. Pero también podría suponer un uso más eficiente de los recursos: las mujeres con bajo riesgo podrían espaciar sus revisiones sin comprometer su seguridad, mientras que el esfuerzo se concentraría en los grupos vulnerables.
El modelo económico es prometedor. Estudios recientes citados por los autores sugieren que el cribado basado en inteligencia artificial puede ser coste-efectivo, al mejorar la detección temprana del cáncer de mama sin aumentar de forma excesiva el número de pruebas. La clave estará en definir umbrales que equilibren sensibilidad y especificidad, es decir, detectar los máximos casos posibles sin disparar los falsos positivos.
«En el Reino Unido, 2,2 millones de mujeres se someten cada año al cribado de cáncer de mama. La inteligencia artificial podría ayudar a optimizar el programa trienal del país mejorando los criterios de selección de las mujeres que podrían beneficiarse de pruebas complementarias, como la resonancia magnética o la mamografía con contraste, o acortando el intervalo entre cribados. Si volviéramos a citar al 20 % de las mujeres para realizarles estudios de imagen complementarios, tendríamos que disponer de capacidad para ofrecer mamografía con contraste o resonancia magnética a unas 440.000 mujeres», puntualiza Gilbert.
Una herramienta prometedora que aún necesita pruebas reales
El estudio de Cambridge, financiado por el National Institute for Health and Care Research y la organización Future Dreams Breast Cancer Charity, es hasta ahora la evaluación más amplia de un modelo de inteligencia artificial aplicada al cribado trienal. Sus resultados confirman que Mirai puede integrarse en sistemas sanitarios públicos, incluso cuando las imágenes proceden de distintos equipos y hospitales.
Sin embargo, los propios autores insisten en la cautela. «Identificar a las mujeres con un riesgo aumentado de desarrollar cáncer de mama es un problema complejo y multifactorial. El objetivo es reconocer con precisión a las mujeres con mayor probabilidad de padecer un cáncer de intervalo, al tiempo que se minimiza el volumen de pruebas complementarias que deben realizarse —explica Gilbert. Y concluye—: Antes de incorporar estos sistemas al programa nacional, debemos comprobar en ensayos prospectivos que efectivamente reducen los cánceres de intervalo y mejoran los resultados clínicos».
Esa fase, que podría comenzar en los próximos años, determinará si la inteligencia artificial pasa de ser un prometedor asistente digital a una herramienta rutinaria en la prevención del cáncer de mama.▪️
TAMBIÉN TE PUEDE INTERESAR:
🩻 Detección precoz del cáncer de mama a través de la leche materna
🩻 Un escáner de ultrasonido portátil podría detectar el cáncer de mama de forma precoz
🩻 Restaurar el orden celular podría frenar la metástasis del cáncer de mama más agresivo
🩻 La IA detecta más cánceres de mama con menos falsos positivos
Información facilitada por la Radiological Society of North America (RSNA)
Fuente: Fiona J. Gilbert et al. Evaluation of a Mammography-based Deep Learning Model for Breast Cancer Risk Prediction in a Triennial Screening Program. Radiology (2025). DOI: https://doi.org/10.1148/radiol.250391
