Triaje y apoyo a la decisión basados en IA en mamografía y tomosíntesis digital para el cribado del cáncer de mama: un ensayo pareado de no inferioridad

Por qué importa un cribado más inteligente

La mayoría de las mujeres mayores de 50 años son citadas para revisiones mamográficas periódicas para detectar el cáncer de forma temprana. Estos programas de cribado salvan vidas, pero también tensionan los sistemas sanitarios y generan ansiedad cuando las pruebas provocan falsas alarmas. Este estudio plantea una pregunta apremiante: ¿puede la inteligencia artificial (IA) asumir de forma segura parte del trabajo de lectura de las pruebas mamográficas, de modo que los radiólogos se concentren solo en los casos de mayor riesgo y aun así se detecten al menos la misma cantidad de cánceres?

Cómo se leen hoy las pruebas mamográficas

En muchos programas europeos, cada mamografía es leída de forma independiente por dos radiólogos. Esta "doble lectura" detecta más cánceres pero también duplica la carga de trabajo. Las exploraciones más nuevas, con apariencia 3D, llamadas tomosíntesis, añaden aún más tiempo de visionado por examen. Al mismo tiempo, la población envejece, algunas guías plantean iniciar el cribado antes y no hay suficientes radiólogos formados en muchas regiones. Todo ello dificulta mantener o mejorar la calidad del cribado sin sobrecargar a los especialistas.

Qué probaron los investigadores en la práctica

El equipo llevó a cabo un ensayo clínico amplio en Córdoba, España, dentro de un programa de cribado público existente. Más de 31 000 mujeres de 50 a 71 años se sometieron a mamografía digital estándar o a tomosíntesis. Cada examen se procesó de dos maneras en paralelo. Primero se aplicó el enfoque habitual: dos radiólogos leían cada caso sin ayuda de la IA. En el segundo enfoque experimental, un sistema de IA analizó las imágenes y ordenó cada examen según su probabilidad de contener cáncer. Las exploraciones que la IA etiquetó como de bajo riesgo se consideraron automáticamente normales y nunca se mostraron a un radiólogo; solo los exámenes de mayor riesgo fueron leídos por duplicado, esta vez con las marcas visuales y las puntuaciones de la IA disponibles como apoyo a la decisión.

Qué ocurrió con la carga de trabajo y la detección de cáncer

Esta estrategia de triaje con IA hizo que los radiólogos tuvieran que leer algo más de un tercio de todos los exámenes en lugar del 100%, lo que supuso una reducción de la carga de trabajo de casi dos tercios. A pesar de esta disminución dramática, la estrategia con apoyo de IA halló en realidad más cánceres: alrededor de 7,3 cánceres por cada 1 000 mujeres cribadas frente a 6,3 por 1 000 con el método estándar. La vía guiada por IA detectó tumores adicionales tempranos, pequeños y sin afectación de ganglios linfáticos, tipos de cáncer en los que el tratamiento precoz puede ser más beneficioso. Estas ganancias fueron especialmente llamativas en la mamografía 2D tradicional, donde la detección de cáncer aumentó más del 30% con el apoyo de la IA.

El intercambio: más citaciones para pruebas adicionales

El precio de esta mejora fue un aumento en el número de mujeres llamadas para pruebas adicionales. En global, la tasa de recuerdo subió del 4,8% con la lectura estándar al 5,5% bajo la estrategia con IA, y la tasa de falsos positivos fue modestamente mayor. Dicho de otro modo, se encontraron más cánceres, pero un número ligeramente mayor de mujeres sufrió la tensión de un resultado sospechoso que al final resultó ser benigno. Sin embargo, en tomosíntesis la IA redujo la carga de trabajo sin cambiar de forma significativa cuántas mujeres fueron citadas de nuevo ni cuántos cánceres se detectaron, lo que refleja ya un buen desempeño en esa modalidad.

Seguridad, cánceres no detectados y cuestiones éticas

La IA no fue perfecta: 11 cánceres recibieron puntuaciones de bajo riesgo y, por tanto, se habrían pasado por alto en un flujo de trabajo totalmente autónomo. No obstante, el enfoque estándar sin IA dejó pasar aún más cánceres que la estrategia con IA detectó. La mayoría de los tumores que la IA no detectó tenían apariencias muy sutiles, captadas solo por uno de los dos radiólogos en el brazo de lectura tradicional. Los autores subrayan que la adopción generalizada de lecturas solo por IA para muchos exámenes plantea cuestiones éticas y legales. Argumentan que serían necesarias salvaguardas adicionales —como controles estrictos de calidad en la adquisición de imágenes y monitorización continua del rendimiento de la IA— antes de confiar en que la IA etiquete la mayoría de las exploraciones como normales sin revisión humana.

Qué significa esto para el cribado futuro

Para un lector no especializado, la conclusión es que una IA bien diseñada puede ayudar a los radiólogos a gestionar un número mucho mayor de exámenes de cribado encontrando al menos la misma cantidad, y en algunos casos más, de cánceres de mama en fase temprana. En este ensayo, permitir que la IA diera por normales automáticamente las mamografías de bajo riesgo redujo la carga de trabajo de los radiólogos en casi dos tercios, mantuvo la precisión de los hallazgos positivos y mejoró ligeramente la detección global de cáncer, aunque más mujeres fueron citadas para seguimiento. El estudio sugiere que, con la supervisión adecuada y validaciones adicionales, el triaje y el apoyo a la decisión basados en IA podrían hacer que el cribado masivo del cáncer de mama sea a la vez más sostenible para los sistemas sanitarios y más eficaz en detectar la enfermedad tempranamente.

Cita: Elías-Cabot, E., Romero-Martín, S., Raya-Povedano, J.L. et al. AI-based triage and decision support in mammography and digital tomosynthesis for breast cancer screening: a paired, noninferiority trial. Nat Med 32, 1296–1305 (2026). https://doi.org/10.1038/s41591-026-04277-x

Palabras clave: cribado del cáncer de mama, mamografía, inteligencia artificial, carga de trabajo en radiología, detección temprana del cáncer