Un ResNet–transformer híbrido multiescala con aprendizaje consciente de la distancia para una clasificación BI-RADS mamográfica interpretable

Por qué esto importa para pacientes y médicos

El cribado del cáncer de mama salva vidas, pero decidir qué mamografías señalan realmente un riesgo es difícil, incluso para especialistas. Este estudio presenta una nueva herramienta informática que pretende clasificar las imágenes mamográficas en las conocidas categorías de riesgo BI-RADS con mayor precisión y transparencia. Así, podría ayudar a reducir biopsias innecesarias, detectar cánceres peligrosos antes y ofrecer a los radiólogos una segunda opinión comprensible en lugar de una respuesta de caja negra.

De las imágenes mamarias a las categorías de riesgo

Las mamografías se informan típicamente usando la escala BI-RADS, que va desde “normal” hasta “altamente sospechoso de cáncer”. Las categorías más críticas son BI-RADS 3, 4 y 5, donde se toman decisiones sobre seguimiento a corto plazo o biopsia. Los lectores humanos pueden discrepar, especialmente en mujeres con tejido mamario denso, lo que puede dar lugar tanto a cánceres pasados por alto como a alarmas evitables. Para apoyar a los radiólogos, los autores entrenaron un sistema de inteligencia artificial con un conjunto de mamografías público en el que lectores expertos ya habían etiquetado imágenes desde BI-RADS 1 hasta 5. También tuvieron que abordar un problema común: había muchas más imágenes normales y claramente benignas que las de alto riesgo, lo que puede sesgar el aprendizaje si no se corrige.

Cómo el nuevo lector inteligente interpreta las imágenes

El sistema propuesto combina dos ideas recientes en análisis de imágenes. Primero, utiliza una red convolucional profunda (ResNet-50) para captar detalles finos como bordes, texturas y pequeños puntos brillantes que pueden indicar microcalcificaciones. Segundo, añade un módulo transformer, un diseño popularizado originalmente en modelos de lenguaje, para conectar partes distantes de la imagen y razonar sobre patrones globales y simetría. Antes de todo esto, las mamografías se preprocesan cuidadosamente: se redimensionan, se aumenta el contraste para resaltar lesiones sutiles, y las categorías más raras se equilibran mediante sobremuestreo para que el modelo vea suficientes ejemplos de casos sospechosos y malignos durante el entrenamiento.

Enseñar al modelo que algunos errores importan más

Los modelos informáticos estándar tratan todos los errores de categoría como igualmente graves, pero la medicina no funciona así. Confundir una mama claramente normal con una claramente maligna es mucho más serio que mezclar dos categorías vecinas como BI-RADS 2 y 3. Para reflejar esto, los autores introducen una estrategia de aprendizaje “consciente de la distancia”. En lugar de limitarse a contar aciertos y errores, la función de pérdida también mide cuán lejos queda la predicción de la categoría verdadera en la escala ordenada BI-RADS. Los saltos grandes se penalizan más que los errores cercanos, empujando al sistema a trazar límites más suaves y clínicamente sensatos entre niveles de riesgo y a evitar las equivocaciones más peligrosas.

Qué tan bien funcionó en las pruebas

Entrenado y ajustado en dos etapas, el sistema mostró un rendimiento sólido al evaluarse en un conjunto de prueba separado. Asignó correctamente las categorías BI-RADS alrededor del 92% de las veces en conjunto y alcanzó puntuaciones muy altas en medidas que tienen en cuenta el desequilibrio de clases y la dificultad multiclase. De forma importante, fue especialmente preciso para BI-RADS 4 y 5, los grupos que con más frecuencia conducen a biopsias. Casi todos sus errores ocurrieron entre categorías vecinas, lo que coincide con las áreas grises del mundo real que enfrentan los radiólogos. Análisis adicionales mostraron que sus probabilidades predichas estaban bien calibradas, es decir, la confianza declarada coincidía con la frecuencia de aciertos, y que superó a varios enfoques recientes de aprendizaje profundo diseñados para tareas similares.

Ver dónde mira el modelo

Porque la confianza es crucial en medicina, los autores fueron más allá de los números y examinaron qué partes de la imagen motivaban las decisiones del sistema. Usando Grad-CAM, una técnica que resalta regiones influyentes, encontraron que el modelo se enfocaba de manera consistente en lesiones, patrones de tejido denso y agrupaciones de pequeños puntos brillantes en lugar del fondo irrelevante. Las visualizaciones del espacio de características internas mostraron una agrupación clara de imágenes por nivel BI-RADS, separando particularmente los exámenes sospechosos y malignos de los normales y benignos. El análisis de curvas de decisión sugirió que, si se usara junto a los clínicos, la herramienta podría reducir intervenciones innecesarias manteniendo o mejorando la detección del cáncer, aunque esto aún debe probarse en la práctica real.

Qué significan los resultados de cara al futuro

Este trabajo muestra que combinar ideas convolucionales y de transformer, y enseñar explícitamente al modelo que algunos errores son peores que otros, puede producir un asistente de IA que sea preciso y más alineado con el razonamiento clínico. Aunque el estudio está limitado por un conjunto de datos modesto y de una sola fuente y carece de validación externa, apunta hacia sistemas de IA que no solo igualen a los radiólogos en rendimiento sino que también expliquen su foco y su confianza. Con más pruebas en poblaciones más grandes y variadas, tales herramientas podrían convertirse en compañeros fiables en el cribado del cáncer de mama, ayudando a garantizar que las mujeres adecuadas reciban el seguimiento correcto en el momento oportuno.

Cita: Singh, M., Mohan, A., Tripathi, U. et al. A multi-scale hybrid ResNet–transformer with distance-aware learning for interpretable BI-RADS mammographic classification. Sci Rep 16, 10033 (2026). https://doi.org/10.1038/s41598-026-40906-8

Palabras clave: cribado de cáncer de mama, IA en mamografía, clasificación BI-RADS, aprendizaje profundo en radiología, imágenes médicas explicables