La inteligencia artificial aplicada a la mamografía puede señalar signos sutiles de cáncer de mama hasta una década antes del diagnóstico clínico. Así lo indica un amplio estudio sueco publicado en la revista Radiology, en el que tres algoritmos comerciales —creados originalmente para la detección— demostraron poder estimar el riesgo individual mucho antes de que la enfermedad fuera visible para el radiólogo.
Anticipar quién tiene mayor probabilidad de desarrollar la enfermedad no sirve solo para diagnosticar antes. Abre la puerta a un cribado a medida, concentrando los estudios complementarios y la vigilancia más frecuente en las mujeres que realmente se beneficiarían. Herramientas clínicas como el modelo Tyrer-Cuzick y el análisis de densidad mamaria ya lo intentan, pero con un desempeño limitado. La novedad es usar la propia imagen del cribado, leída por IA, como predictor.
Lo que reveló el estudio sueco
Los investigadores analizaron 89.000 mamografías de 31.400 mujeres seguidas durante diez años dentro del programa nacional de cribado de Suecia, donde las mujeres de 40 a 74 años se realizan una mamografía bienal interpretada por dos radiólogos. Durante el período, 12.100 participantes (39%) fueron finalmente diagnosticadas con cáncer de mama, un conjunto de datos lo bastante sólido para poner a prueba la hipótesis con rigor estadístico.
Tres algoritmos comerciales generaron los puntajes: Vara AI (de Vara), Lunit Insight MMG (de Lunit) y MammoScreen (de Therapixel). Conviene destacar que los tres fueron concebidos para la detección del cáncer, no para la predicción del riesgo. Aun así, en las mujeres que más tarde desarrollaron la enfermedad, los puntajes aumentaron de forma progresiva en cada estudio, mientras se mantuvieron relativamente estables entre quienes siguieron libres de cáncer.
Las cifras impresionan. Con una especificidad fijada en 90%, los sistemas señalaron entre el 19% y el 20% de los casos futuros seis años antes del diagnóstico. La detección subió al 23%-25% cuatro años antes y al 35%-39% dos años antes. Incluso una década antes, los algoritmos ya identificaban entre el 13% y el 17% de los cánceres que aparecerían después.
Más que el valor absoluto en un solo estudio, lo que llamó la atención fue la trayectoria: un puntaje que sube estudio tras estudio funciona como una alarma silenciosa. Esta lectura secuencial —comparar el puntaje actual de cada mujer con los anteriores— puede ser más informativa que cualquier medición aislada y encaja de forma natural en el historial longitudinal que los programas de cribado ya mantienen.
Cómo la IA ve el riesgo antes que el radiólogo
A lo largo de todos los estudios prediagnósticos, los algoritmos alcanzaron valores de AUC entre 0,63 y 0,67, superando a la densidad mamaria aislada, que se quedó en 0,57. Puede parecer una diferencia modesta, pero en el cribado poblacional cada punto de exactitud se traduce en miles de mujeres mejor estratificadas. Lo que la IA parece captar son patrones texturales y arquitectónicos sutiles —distribuciones de densidad, microestructuras y asimetrías— que escapan a la lectura humana convencional y preceden a cualquier lesión definida.
Este comportamiento converge con otra frontera del área: los modelos de base entrenados con grandes volúmenes de imágenes. Ya comentamos cómo los modelos de visión-lenguaje aplicados a la mamografía amplían lo que puede extraerse de un único estudio. Aquí la lógica es parecida: el puntaje no es un simple «tiene o no tiene cáncer», sino una señal continua que evoluciona en el tiempo.
Implicaciones para la práctica del cribado
Para el radiólogo y el gestor de servicios de imagen, el mensaje práctico es claro: la IA puede dejar de ser solo una segunda lectura y pasar a orientar cuándo y con qué intensidad cribar a cada mujer. En lugar del intervalo fijo para todas, surge la posibilidad de personalizar la periodicidad e indicar estudios suplementarios —como resonancia o ecografía— para las de puntaje elevado.
La misma tecnología que hoy se usa para triar mamografías de bajo riesgo y aliviar la doble lectura podría, en el futuro, señalar precozmente a las pacientes de alto riesgo, cerrando el ciclo entre eficiencia y seguridad. En sistemas con cobertura mamográfica desigual, esta estratificación ayuda a dirigir la capacidad instalada hacia quienes más la necesitan.
En la práctica diaria, el beneficio solo se concreta si el puntaje llega al flujo de trabajo. Eso implica integrar el resultado de la IA en el PACS y en el informe estructurado, para que el radiólogo vea la evolución del riesgo junto con las imágenes, sin alternar entre sistemas. Es la misma lógica de la radiología oportunística, en la que datos ya capturados en el estudio se reutilizan para generar información clínica adicional sin costo de adquisición.
Limitaciones y perspectivas
Hace falta cautela. Los tres algoritmos no se diseñaron para predecir riesgo, y los autores subrayan que aún se necesita validación prospectiva antes de cualquier uso clínico a gran escala. También hay cuestiones de calibración entre distintas poblaciones, equipos y protocolos: un puntaje entrenado en Suecia no se transfiere necesariamente sin ajustes a otras realidades.
Aun así, el estudio se suma a un cuerpo creciente de evidencia de que la IA en mamografía puede ir más allá de la detección y actuar en la estratificación del riesgo a largo plazo. Al reconocer patrones años antes del diagnóstico, estos puntajes ofrecen una capa adicional de monitoreo longitudinal y abren espacio para estrategias de cribado verdaderamente personalizadas.
