La inteligencia artificial que predice el riesgo de cáncer de mama mediante mamografías 3D

Una herramienta de inteligencia artificial desarrollada por NYU Langone Health, capaz de analizar mamografías 3D de varios años consecutivos, ha mostrado mayor precisión que los métodos tradicionales para anticipar qué mujeres desarrollarán cáncer de mama en los cinco años siguientes. Según la cobertura de Medical Xpress, el modelo, publicado en el American Journal of Roentgenology, abre la puerta a personalizar los programas de cribado en función del riesgo individual estimado a partir de la propia imagen mamográfica, no solo del historial clínico.

Qué cambia respecto al flujo actual

En nuestra práctica diaria, la estimación del riesgo se ha apoyado durante años en cuestionarios como el Tyrer-Cuzick, que combinan edad, antecedentes familiares, densidad mamaria y, cuando procede, biopsias previas. Lo que propone el equipo de NYU, encabezado por Yanqi Xu e Yiqiu Shen, es bien distinto: NYU-DRP es un modelo de aprendizaje profundo entrenado con 313.531 mamografías 3D anuales correspondientes a 161.165 mujeres sin cáncer, atendidas entre 2016 y 2020. Cuando se enfrentó a Tyrer-Cuzick sobre una muestra de 432 mujeres, la mitad emparejadas con controles que no desarrollaron la enfermedad, el modelo acertó al identificar a las pacientes de mayor riesgo en el 67% de los casos, frente al 56% de la herramienta clásica.

Si lo comparamos con otros sistemas de IA que solo procesan la última mamografía disponible, la diferencia también es clara: NYU-DRP acertó en el 72% de los casos, frente al 70% de los modelos basados en una sola 3D y al 68% de los entrenados con mamografía 2D. La clave, según los autores, es que la evolución del tejido a lo largo de varios estudios contiene información que una única imagen —o la densidad puntual— no llega a capturar.

Densidad mamaria: el dato que ya no alcanza

En la consulta seguimos asociando mama densa con riesgo alto casi por inercia, y el estudio invita a revisar ese automatismo. NYU-DRP clasificó al 37,6% de las mujeres con mamas extremadamente densas como riesgo promedio, cuando la incidencia real de cáncer a cinco años en ese subgrupo fue del 0,7%. En el lado opuesto, el 15,5% de las mujeres con mamas predominantemente grasas fue etiquetado como alto riesgo, y la tasa real fue del 2,5%. La densidad aislada, por tanto, no funciona como predictor suficiente cuando se cuenta con la serie longitudinal de la paciente.

Qué falta para llevarlo a la consulta

Conviene no perder de vista tres cautelas. La primera es externa: el modelo se ha validado en un único sistema sanitario estadounidense, donde menos del 3% de las participantes desarrollaron cáncer, así que su generalización a cohortes europeas aún no está demostrada. La segunda es operativa: integrar NYU-DRP exigirá repensar los flujos del servicio de radiología, desde el archivo de imagen longitudinal hasta la interfaz con el clínico que decide cuándo y cómo citar a cada mujer. Y la tercera, la más decisiva en el reto asistencial, es la gobernanza: quién revisa, quién firma y quién asume la última palabra cuando el algoritmo reclasifica a una paciente de promedio a alto riesgo.

En paralelo, la iniciativa del Subang Jaya Medical Centre con AstraZeneca en Malasia, recogida por cj.my, ilustra una vía complementaria: aplicar IA a la lectura de biopsias HER2, no al cribado, también bajo supervisión del patólogo. Dos aplicaciones distintas, una misma filosofía que conviene no perder de vista: que el modelo asuma lo repetitivo y que el clínico conserve la decisión final.