Rendimiento por subgrupos de un modelo comercial de tomosíntesis mamaria digital para la detección del cáncer de mama

Por qué esto importa para las mujeres y sus familias

El cribado del cáncer de mama salva vidas, pero ninguna prueba es perfecta. Los médicos recurren ahora a la inteligencia artificial (IA) para ayudar a leer radiografías mamarias 3D complejas. Este estudio examinó con detalle cómo rinde un sistema de IA de uso extendido en distintos grupos de mujeres y en distintos tipos de alteraciones mamarias, revelando dónde la herramienta funciona bien y dónde tiene dificultades.

Una mirada más cercana a un nuevo tipo de mamografía

Las mamografías tradicionales son radiografías planas, bidimensionales. Muchos centros usan ahora la tomosíntesis mamaria digital, una exploración similar a 3D construida a partir de muchas láminas delgadas de la mama. Puede descubrir cánceres que podrían quedar ocultos en tejido superpuesto, especialmente en mamas densas, pero las imágenes llevan más tiempo de lectura y aún pueden pasar por alto pequeñas calcificaciones que señalan enfermedad temprana. Por eso las empresas han desarrollado herramientas de IA para señalar áreas sospechosas a los radiólogos. Hasta ahora, la mayoría de las evaluaciones de estas herramientas se centraban en la precisión global, no en cómo se comportan para pacientes o tipos tumorales específicos.

Una enorme prueba en el mundo real de un asistente de IA

Investigadores de la Universidad de Emory estudiaron un sistema comercial de IA llamado INSIGHT DBT, usado en imágenes mamarias 3D de más de 167 000 exámenes de cribado en más de 61 000 mujeres. Compararon las puntuaciones de la IA con los resultados reales, separando exámenes claramente negativos, biopsias benignas y cánceres confirmados. La pregunta principal fue qué tan bien la IA distinguía los cánceres hallados durante el cribado rutinario de los exámenes que finalmente no eran cáncer. En el conjunto de todas las mujeres, la IA mostró un rendimiento sólido, clasificando correctamente la mayoría de los exámenes cancerosos y no cancerosos y coincidiendo con los resultados de su evaluación regulatoria original. El rendimiento fue similar entre grupos de edad, raza y etnia, un hallazgo importante para la equidad en la atención.

Dónde la IA destaca y dónde se queda corta

Al profundizar en los detalles, emergieron patrones clave. La IA fue mejor detectando cánceres invasivos que forman masas sólidas o producen distorsiones visibles en el tejido mamario; marcó correctamente la mayoría de estos casos. Fue menos fiable para los cánceres confinados a los conductos mamarios, conocidos como enfermedad in situ, y para los cánceres que se presentan principalmente como finos cúmulos de pequeñas deposiciones de calcio. Para estas lesiones tempranas, el sistema falló en detectar casi la mitad, y su precisión global descendió. La densidad mamaria también redujo el rendimiento de forma moderada, probablemente porque el tejido denso puede ocultar signos sutiles.

Lo que revelan los patrones de puntuación

Al examinar el rango completo de puntuaciones de la IA en lugar de limitarse a decisiones de sí/no, los investigadores observaron que los exámenes con patología más preocupante tendían a recibir puntuaciones más altas. Los hallazgos benignos y de bajo riesgo solían puntuar bajo, mientras que los cánceres invasivos se agrupaban en el extremo alto. Sin embargo, algunas distorsiones no cancerosas recibieron puntuaciones altas, provocando falsas alarmas, y algunos subtipos raros de cáncer invasivo y lesiones in situ recibieron puntuaciones bajas. La IA incluso asignó puntuaciones altas a aproximadamente un tercio de los cánceres que aparecieron entre cribados regulares, lo que sugiere que a veces detecta indicios que los humanos pasan por alto, aunque el impacto real en el mundo clínico de esto sigue siendo incierto.

Implicaciones para pacientes y clínicos

Para un lector no experto, la conclusión es que esta herramienta de IA puede ayudar de forma significativa a los radiólogos a leer imágenes mamarias 3D complejas, sin diferencias evidentes entre los principales grupos demográficos. Sin embargo, no es un detector de cáncer autónomo. Es menos fiable para los cánceres más tempranos, basados en calcificaciones, y en mamas muy densas, y aún puede provocar seguimientos innecesarios en algunos casos benignos. Los autores sostienen que comprender estas fortalezas y puntos ciegos es esencial antes de confiar en la IA en el cribado diario, de modo que los médicos puedan usarla como una socia cuidadosa y no como un reemplazo.

Cita: Brown-Mulry, B., Isaac, R.S., Lee, S.H. et al. Subgroup performance of a commercial digital breast tomosynthesis model for breast cancer detection. Nat Commun 17, 4249 (2026). https://doi.org/10.1038/s41467-026-70637-3

Palabras clave: cribado del cáncer de mama, tomosíntesis mamaria digital, IA médica, mamografía, CDIS