Modelos de inteligencia artificial logran alto rendimiento en detección de cáncer de mama mediante mamografías

Los modelos de inteligencia artificial para mamografía están demostrando un potencial significativo para mejorar la detección temprana del cáncer de mama. En el Desafío de IA para la Detección del Cáncer de Mama mediante Mamografía de Cribado de la Sociedad Radiológica de Norteamérica (RSNA), celebrado en 2023, más de 1.500 equipos internacionales desarrollaron y presentaron algoritmos con resultados prometedores, según un estudio publicado en Radiology y liderado por el profesor Yan Chen, de la Universidad de Nottingham (Reino Unido).

IA para la detección del cáncer de mama: un avance con base científica

El objetivo del reto fue crear modelos de inteligencia artificial capaces de asistir a los radiólogos en la interpretación de mamografías de detección, con el fin de aumentar la eficiencia, mejorar la calidad y seguridad del diagnóstico, y reducir costos y procedimientos innecesarios.

La RSNA proporcionó, junto con la Universidad Emory (Estados Unidos) y BreastScreen Victoria (Australia), un conjunto de datos de entrenamiento de aproximadamente 11.000 imágenes de mamografía, complementado con material público que los equipos pudieron incorporar para optimizar sus modelos.

La evaluación de los algoritmos se realizó sobre 10.830 exámenes de mama independientes, confirmados por resultados patológicos, garantizando la independencia total frente a los datos de entrenamiento.

Resultados: alta especificidad y mejoras con modelos combinados

Los 1.537 algoritmos evaluados lograron una mediana de especificidad del 98,7 %, lo que indica una baja tasa de falsos positivos. La sensibilidad promedio capacidad para identificar correctamente los casos de cáncer fue del 27,6 %, con una tasa de recuperación del 1,7 %.

Sin embargo, al combinar los tres mejores modelos, la sensibilidad aumentó al 60,7 %, y con los diez mejores, al 67,8 %, acercándose al rendimiento promedio de un radiólogo especializado en Europa o Australia.

Según Chen, “nos sorprendió la gran complementariedad de los distintos algoritmos, que permitieron identificar diferentes tipos de cáncer. Los modelos estaban optimizados para un alto valor predictivo positivo y elevada especificidad, lo que generó puntuaciones altas de forma diferenciada según las características del cáncer”.

Desempeño según tipo de cáncer y origen de las imágenes

El análisis reveló diferencias significativas en el rendimiento de los algoritmos según el tipo de cáncer, el fabricante del equipo de imagen y el centro clínico de origen de las mamografías. En general, la IA mostró mayor sensibilidad para cánceres invasivos que para lesiones no invasivas. Esta variabilidad sugiere que la integración clínica requerirá validaciones multicéntricas y con datos heterogéneos para garantizar una aplicación segura y efectiva.

Impacto en la investigación y desarrollo futuro

Un aspecto clave del desafío es que muchos de los modelos presentados son de código abierto, lo que facilita su uso como base para investigaciones adicionales y su comparación con soluciones comerciales. “Al poner a disposición del público los algoritmos y conjuntos completos de datos, los participantes aportan recursos valiosos que pueden impulsar futuras investigaciones y establecer referencias objetivas para la integración de la IA en la práctica clínica”, destacó Chen.

El equipo investigador planea comparar el desempeño de los mejores algoritmos con productos comerciales en un conjunto de datos más amplio y diverso, así como evaluar la eficacia de pruebas más pequeñas y complejas, como las desarrolladas por el programa británico PERFORMS, que mide la calidad diagnóstica de radiólogos y podría servir como modelo para la validación de IA.

Próximos pasos en la innovación diagnóstica

La RSNA organiza anualmente este tipo de desafíos de inteligencia artificial. En 2024, la competencia se centró en modelos para la detección y localización de aneurismas intracraneales, extendiendo la aplicación de la IA a otras áreas críticas del diagnóstico por imagen.

El caso del desafío en mamografía evidencia que la colaboración internacional, el acceso a datos de calidad y el desarrollo abierto pueden acelerar la llegada de herramientas de IA más precisas y seguras, con un impacto directo en la detección temprana del cáncer de mama y, potencialmente, en la reducción de mortalidad.