Tecnología médica · global
La IA ayuda a interpretar mamografías: un estudio retrospectivo observa una mayor tasa de detección de lesiones de cáncer de mama
En las imágenes de 321 pacientes con cáncer de mama, la interpretación combinada de médicos e IA alcanzó una tasa de detección de lesiones del 90,6%, 3 puntos porcentuales superior a la de los médicos solos. Sin embargo, todos los datos procedían de pacientes con cáncer, por lo que aún no permiten determinar cuánto aumentarían los falsos positivos en el cribado general.
Detectar una lesión cancerosa más al interpretar una mamografía puede aportar una pista adicional para el diagnóstico y el tratamiento; sin embargo, que el aumento de la detección también lleve a realizar más pruebas a personas sin cáncer influye igualmente en el valor clínico de la herramienta. Un nuevo estudio muestra que la interpretación combinada de inteligencia artificial (IA) y radiólogos puede aumentar la tasa de detección de lesiones en pacientes con cáncer de mama ya diagnosticado, aunque la respuesta sobre su beneficio global en el cribado general sigue siendo incompleta.
Este estudio revisado por pares, publicado el 23 de octubre en el «Journal of Imaging Informatics in Medicine», analizó retrospectivamente 331 lesiones de 321 pacientes con cáncer de mama y comparó el rendimiento de la interpretación realizada solo por médicos, solo por IA y por ambos de forma combinada. Se trata de una evaluación de la capacidad de reconocimiento de imágenes a partir de casos existentes, no de un ensayo prospectivo de cribado en una población general sometida a estas pruebas.
El estudio informó de una tasa de detección de lesiones del 90,6% con la interpretación combinada de médicos e IA, frente al 87,6% de los médicos solos, una diferencia absoluta de 3 puntos porcentuales. El denominador corresponde aquí a las lesiones cancerosas incluidas en el estudio; no puede interpretarse como la exactitud diagnóstica en todas las personas que se someten a una mamografía, ni significa que ya existan pruebas de una reducción del riesgo de muerte.
El sistema de IA utilizado en el estudio genera categorías del Sistema de Informes y Datos de Imagen de Mama (BI-RADS), lo que permite presentar los resultados del algoritmo mediante una clasificación familiar en la práctica clínica. El estudio también comparó las valoraciones de las características de las imágenes realizadas por personas y por la IA, y observó que el grado de concordancia entre ambas variaba según la característica. Esto sugiere que el valor de la interpretación combinada podría proceder de capacidades de reconocimiento complementarias, sin que todos los tipos de signos radiológicos reciban el mismo grado de ayuda.
La limitación más importante es que todas las personas incluidas en el estudio eran pacientes con cáncer de mama. Al no incluir personas sin cáncer, no es posible evaluar por completo la especificidad, es decir, la capacidad de descartar correctamente los casos no cancerosos; tampoco se puede determinar a partir de estos datos cuánto aumentaría o disminuiría el número de falsos positivos al incorporar la IA, ni la carga de pruebas de imagen adicionales o biopsias que se derivaría de ello.
Estos resultados ofrecen un respaldo limitado y concreto a la interpretación asistida por IA: en este conjunto de casos de cáncer, la combinación de personas y máquina detectó efectivamente una mayor proporción de lesiones. Para determinar si puede mejorar el cribado habitual, las validaciones posteriores deberán incluir a personas sin cáncer y evaluar simultáneamente, dentro del flujo de trabajo real, los cánceres no detectados, los falsos positivos y las pruebas adicionales. Solo así podrá esclarecerse el beneficio global de detectar más lesiones.