04 Nov Una nueva IA puede detectar el cáncer de mama antes de que aparezca en la mamografía.
El cáncer de intervalo se dictamina entre las pruebas de detección regulares y es de peor pronóstico.
2025. 65Ymás
Patricia Matey
La interpretación de las mamografías de cribado es uno de los temas más estudiados en medicina. Detectar cánceres de mama sin tener que volver a citar a un número excesivo de mujeres para estudios de seguimiento es un equilibrio complejo. Los radiólogos de mama se esfuerzan por lograr una alta sensibilidad y, al mismo tiempo, mantener una especificidad razonable. Con la mamografía, se detectan de tres a cinco cánceres por cada 1.000 mamografías en la población sana, pero algunos cánceres de mama pasan desapercibidos.
Cáncer de intervalo
Como documenta un estudio de Radiology, el tejido mamario denso es una de las principales causas de que no se detecten los cánceres. Los cánceres de intervalo (CI) son aquellos que se diagnostican después de una mamografía de cribado negativa, pero antes de la siguiente ronda de cribado.
Representan tumores no detectados (falsos negativos) o cánceres nuevos. Los CI tienen un peor pronóstico que los detectados mediante cribado, y minimizar su número es un gran objetivo. Cuando se utilizan herramientas de inteligencia artificial (IA) en la obtención de imágenes mamarias, al igual que con los ‘lectores humanos’, se debe lograr un equilibrio entre la detección del cáncer de mama y la minimización de falsos positivos. Los algoritmos de IA pueden utilizarse para ayudar al radiólogo en la interpretación, para actuar como un lector doble o incluso como una modalidad independiente, como se recoge en una investigación del Journal of Clinical.
La herramienta de IA
Ahora, en un estudio de más de 100,000 mamografías de detección, investigadores de la Universidad de Cambridge, Reino Unido, han demostrado el potencial de una herramienta de IA para ayudar a identificar a las mujeres con mayor riesgo de desarrollar cáncer de mama de intervalo, uno que se diagnostica entre mamografías de detección regulares. Los resultados del nuevo estudio se han publicado en Radiology, una revista de la Sociedad de Radiología de EE.UU (RSNA, de sus siglas en inglés).
“Los cánceres de intervalo generalmente tienen un peor pronóstico en comparación con los detectados mediante cribado, ya que tienden a ser más grandes o más agresivos. Por eso es importante minimizar el número de cánceres de intervalo en cualquier programa de cribado” ha afirmado la coautora del ensayo en un comunicado Fiona J. Gilbert, MBCh.B, profesora de radiología del Departamento de Radiología de la Universidad de Cambridge y radióloga consultora honoraria del Hospital Addenbrooke.
Utilizando un gran conjunto de datos retrospectivos del programa de detección trienal del Reino Unido, la Dra. Gilbert y el investigador principal Joshua WD Rothwell, un estudiante de MBBS en la Universidad de Cambridge, emplearon IA para identificar mujeres para imágenes complementarias para encontrar cánceres de intervalo.
“La detección personalizada del cáncer de mama depende de la evaluación precisa del riesgo de una persona de desarrollar cáncer de mama en un período de tiempo específico. Podemos utilizar imágenes complementarias y ajustar la frecuencia de las pruebas de detección según la densidad mamaria de la mujer y la probabilidad de desarrollar cáncer de mama en un período corto”, explicó el Dr. Gilbert.
Con 134.217 mamografías de cribado
La cohorte del estudio incluyó 134.217 mamografías de cribado en el mismo número de mujeres (de 50 a 70 años), con 524 cánceres de intervalo. Los exámenes se realizaron entre 2014 y 2016 en dos centros del Programa Trienal de Cribado Mamario del Reino Unido, utilizando dos sistemas de mamografía diferentes.
Las mamografías digitales de detección negativas (sin detección de cáncer) fueron procesadas por Mirai, un algoritmo basado en aprendizaje profundo, que generó una puntuación de riesgo generalizada para desarrollar cáncer de mama de intervalo. La herramienta de IA utiliza principalmente información de la mamografía, incluyendo las características del tumor y la densidad mamaria, para realizar una predicción del riesgo.
Las puntuaciones de riesgo a 3 años de la herramienta de IA predijeron retrospectivamente el 3,6% (19/524), el 14,5 (76/524), el 26,1% (137/524) y el 42,4% (222/524) de los 524 cánceres de intervalo en mujeres con las puntuaciones más altas (1%, 5%, 10% y 20%). La identificación de los cánceres de intervalo equivale a una tasa adicional de detección de cáncer de 0,1, 0,6, 1,0 y 1,7 por 1.000.
“Nuestros resultados sugieren que una evaluación adicional de las mamografías dentro del 20% superior de puntajes podría arrojar un 42,4% de cánceres de intervalo, lo que significa que Mirai podría usarse para identificar mujeres para imágenes complementarias o un intervalo de detección más corto, en lugar de o además de la densidad mamaria“, ha destacado Rothwell.
La herramienta de IA tuvo un mejor rendimiento en la predicción de cánceres de intervalo dentro del año posterior a la prueba de detección, en comparación con los resultados entre 12 y 24 meses o entre 24 y 36 meses posteriores. Si bien la herramienta fue menos efectiva en mujeres con tejido mamario extremadamente denso, mostró un rendimiento superior en comparación con las herramientas convencionales de predicción de riesgo.
Solo en el Reino Unido, 2,2 millones de mujeres se someten a pruebas de detección de cáncer de mama cada año. Según la doctora. Gilbert, la IA podría ayudar a optimizar el programa trienal de detección de cáncer de mama del país al mejorar los criterios de selección de las mujeres que podrían beneficiarse de técnicas de imagen complementarias, como la resonancia magnética o la mamografía con contraste, o al acortar el intervalo entre las pruebas de detección.
“Si volviéramos a llamar al 20% de las mujeres para realizarles imágenes complementarias, tendríamos que encontrar la capacidad de ofrecer mamografías o resonancias magnéticas con contraste a 440.000 mujeres“, ha documentado la investigadora.
Las limitaciones
En un editorial que acompaña al estudio titulado “La búsqueda de la bola de cristal de la mamografía: predicción del riesgo de cánceres de intervalo en las pruebas de detección”, su autora, la doctora Liane Philpotts, profesora de la División de Imagenología Mamaria del Departamento de Radiología e Imágenes Biomédicas de la Facultad de Medicina de Yale, esgrime las limitaciones del estudio:
- Mirai se aplicó a mamografías digitales. La tomosíntesis mamaria digital aumenta la detección del cáncer y, al mismo tiempo, reduce potencialmente la incidencia de CI. Dado que la tomosíntesis mamaria digital se adopta cada vez más a nivel mundial, será necesario estudiar programas de IA orientados a la predicción de CI en el cribado mediante tomosíntesis mamaria digital”.
- Existe poca información sobre las características tumorales de los CI incluidos en este estudio. Los subtipos más agresivos (es decir, triple negativo o receptor del factor de crecimiento epidérmico humano 2 positivo) presentan características de imagen y patrones de crecimiento variables, y la capacidad de Mirai para predecir los CI puede diferir para estos cánceres en comparación con los cánceres con receptores hormonales positivos.
- Es posible que los resultados no sean generalizables a otros programas con diferentes métricas de cribado, en los que se reprograman más mujeres y se producen menos CI. Esto indica la necesidad fundamental de realizar más investigaciones para probar el algoritmo en diferentes poblaciones de mujeres con distintos protocolos de cribado.
Para la experta. otra consideración “son los efectos psicológicos del uso de esta herramienta de IA en las mujeres con mayor riesgo. Estas mujeres tendrán el estrés añadido de saber que pueden tener un mayor riesgo, pero la mayoría no desarrollará cáncer de mama. Se necesitan estudios prospectivos para determinar los resultados en las pacientes y el impacto de este conocimiento. Cabe mencionar que, incluso utilizando el umbral más alto del 20%, menos de la mitad (42,4%) de las mujeres se habrían sometido a imágenes complementarias y potencialmente se les habrían detectado los CI. Esto significa que más de la mitad de los casos de CI probablemente no se puedan prevenir, a pesar de la aplicación del algoritmo.
Dados los beneficios y los posibles perjuicios de la mamografía de cribado, “es esencial avanzar hacia una práctica más personalizada y basada en el riesgo. Este estudio arroja resultados importantes e interesantes a medida que la comunidad de imagenología mamaria avanza hacia una mejor comprensión e incorporación de la IA en el uso clínico diario. Estos resultados, obtenidos con el modelo de aprendizaje profundo Mirai para identificar a las mujeres con mayor riesgo, son alentadores y representan un paso potencialmente importante hacia la detección precisa y personalizada del cáncer de mama en mujeres. Sin embargo, incluso con el umbral más alto, más del 50 % de los CI no se podrían predecir. Este hecho, que nos deja con la boca abierta, subraya la dificultad, tanto para humanos como para máquinas, de predecir y detectar el cáncer de mama mediante mamografía”, ha insistido.
Próximos pasos
Los próximos pasos para los investigadores incluyen comparar herramientas de IA predictiva disponibles comercialmente, realizar modelos económicos y un análisis de costo-beneficio y llevar a cabo un ensayo que utilice IA predictiva para identificar a las mujeres que tienen más probabilidades de beneficiarse de las imágenes mamarias complementarias después de una mamografía de detección.
“Identificar a las mujeres con mayor riesgo de desarrollar cáncer de mama es un problema complejo y multifactorial. El objetivo es identificar con precisión a las mujeres con mayor probabilidad de padecer cáncer de intervalo, minimizando al mismo tiempo la cantidad de estudios de imagen complementarios realizados”, ha recalcado la investigadora británica.
