Clasificadores de tejido mamario normal (NBT): avanzando en la clasificación de compartimentos en la histología mamaria normal

Buscando pistas tempranas en el tejido mamario “normal”

El cribado del cáncer de mama suele centrarse en tumores o bultos sospechosos, pero señales importantes pueden esconderse mucho antes de que se forme un tumor. Este estudio plantea una pregunta sencilla con grandes implicaciones: ¿puede la inteligencia artificial (IA) aprender cómo es el tejido mamario verdaderamente sano, de modo que incluso los cambios muy pequeños destaquen con más claridad? Al enseñar a los ordenadores a reconocer los principales componentes del tejido mamario normal, los investigadores esperan crear un mapa de referencia más sólido para detectar los primeros pasos hacia el cáncer.

Por qué importa el tejido mamario normal

Mucha investigación sobre el cáncer de mama se centra en tejido enfermo, sin embargo el cáncer empieza en tejido que bajo el microscopio parece normal. En la mama, las estructuras productoras de leche y su tejido de sostén se encuentran en una mezcla de zonas fibrosas y grasa. Cambios sutiles en estas regiones, especialmente alrededor de los lobulillos (los pequeños sacos donde se produce la leche) y el estroma cercano (tejido conectivo de soporte), pueden señalar un mayor riesgo de cáncer. Esto es especialmente relevante para mujeres con mutaciones hereditarias BRCA1 o BRCA2 o para quienes se someten a cirugía de reducción de riesgo. Para leer estas señales silenciosas, los científicos necesitan formas precisas y cuantitativas de describir cómo es la “normalidad” en muchas mujeres y centros médicos diferentes.

Construyendo una biblioteca diversa de laminillas sanas

El equipo reunió 70 imágenes digitales de alta resolución de tejido mamario normal procedentes de cinco instituciones del Reino Unido, Países Bajos, Suiza y un banco público de tejidos. Estas muestras provenían de mujeres de entre 16 y 74 años con distintos antecedentes, incluidas voluntarias sanas, mujeres sometidas a reducción mamaria, portadoras de variantes genéticas de alto riesgo y mujeres con cáncer en la mama opuesta. Patólogos expertos marcaron cuidadosamente tres componentes clave en cada laminilla: epitelio (las capas celulares que recubren conductos y lobulillos), estroma (tejido fibroso y conectivo) y adipocitos (células grasas). Esta anotación laboriosa produjo un conjunto de referencia ricamente variado que refleja las diferencias reales en el procesamiento del tejido, el teñido y el escaneado.

Enseñando al ordenador a ver tipos de tejido

Usando esta biblioteca anotada, los investigadores entrenaron modelos de aprendizaje profundo—llamados NBT-Classifiers—para reconocer los tres tipos de tejido mediante el análisis de pequeños fragmentos de imagen extraídos de las laminillas más grandes. Probaron distintos tamaños de fragmento y ajustes técnicos, como la estandarización del color del teñido y la arquitectura de la red neuronal, encontrando finalmente una combinación óptima. Al evaluarlos en colecciones completamente separadas de laminillas normales de otros centros, los modelos distinguieron correctamente epitelio, estroma y grasa con una precisión casi perfecta. Mapas visuales tipo “heatmap” mostraron que la IA se centraba en estructuras biológicamente significativas como zonas ricas en células, fibras de colágeno y bordes de adipocitos, reflejando la manera en que los patólogos humanos interpretan el tejido.

Qué hace que el tejido normal parezca normal

Para entender si entrenar solo con tejido sano ofrecía una ventaja, los autores compararon su modelo con una herramienta existente entrenada con una mezcla de muestras normales, precancerosas y cancerosas. Ambas podían identificar tipos de tejido amplios, pero los nuevos NBT-Classifiers fueron mejores captando la arquitectura fina del epitelio mamario verdaderamente normal. Al enfrentarlos con fragmentos que incluían lesiones tempranas y tumores, el modelo entrenado únicamente con normales separó con más fiabilidad las áreas de aspecto sano de las anormales. Esto sugiere que ha aprendido una definición más precisa del tejido mamario normal, lo que puede ayudar a resaltar desviaciones sutiles que acompañan a la enfermedad temprana.

De laminillas completas a regiones focalizadas

Como los modelos funcionan a nivel de fragmento, pueden aplicarse a laminillas digitales enteras, coloreando automáticamente cada pequeño área como epitelio, estroma o grasa. Los investigadores construyeron una canalización de extremo a extremo que primero detecta dónde hay tejido en una laminilla y luego ejecuta los NBT-Classifiers para crear mapas detallados de los compartimentos tisulares. A partir de estos mapas, el sistema puede localizar lobulillos individuales y sus alrededores inmediatos, generar máscaras para mediciones adicionales e introducir regiones seleccionadas en herramientas de análisis más avanzadas. Esto facilita el estudio de microambientes específicos—como el estroma justo fuera de los lobulillos—donde pueden aparecer cambios asociados al cáncer temprano, y la combinación de características estructurales con otros tipos de datos como mapas espaciales de genes o proteínas en trabajos futuros.

Qué significa esto para la prevención futura del cáncer de mama

En términos sencillos, este estudio demuestra que la IA puede entrenarse para reconocer los componentes del tejido mamario sano con notable precisión y de manera interpretable por los patólogos. Al convertir laminillas digitales enormes y complejas en mapas estructurados de regiones epiteliales, fibrosas y grasas, los NBT-Classifiers crean una línea base fiable de cómo es la normalidad en muchas mujeres y hospitales. Esta imagen más clara de la normalidad puede facilitar la detección de las huellas tenues del desarrollo del cáncer antes de lo que es posible actualmente, respaldando herramientas futuras que ayuden a identificar a mujeres con mayor riesgo y orientar estrategias de prevención antes de que aparezcan tumores visibles.

Cita: Chen, S., Parreno-Centeno, M., Booker, G. et al. Normal breast tissue (NBT)-classifiers: advancing compartment classification in normal breast histology. npj Breast Cancer 12, 41 (2026). https://doi.org/10.1038/s41523-026-00896-2

Palabras clave: tejido mamario normal, patología computacional, aprendizaje profundo, detección temprana del cáncer, histología digital