{"id":19842,"date":"2026-10-15T05:09:54","date_gmt":"2026-10-15T08:09:54","guid":{"rendered":"https:\/\/rtmedical.com.br\/tmp-es-1792051793661\/"},"modified":"2026-10-15T05:10:03","modified_gmt":"2026-10-15T08:10:03","slug":"ia-mama-deteccion-riesgo-intercambiables","status":"publish","type":"post","link":"https:\/\/rtmedical.com.br\/es\/ia-mama-deteccion-riesgo-intercambiables\/","title":{"rendered":"IA de mama: detecci\u00f3n y riesgo no son intercambiables"},"content":{"rendered":"

Los modelos de IA para detecci\u00f3n de c\u00e1ncer de mama<\/strong> y los de predicci\u00f3n de riesgo a corto plazo<\/strong> leen la misma mamograf\u00eda, pero no son intercambiables. As\u00ed lo muestra un estudio publicado en Radiology: Imaging Cancer<\/em> que prob\u00f3 cuatro algoritmos en 20.187 mamograf\u00edas de cribado suecas: cada modelo rindi\u00f3 mejor en la tarea para la que fue dise\u00f1ado y perdi\u00f3 desempe\u00f1o fuera de ella. El trabajo fue comentado por la radi\u00f3loga Manisha Bahl, del Massachusetts General Hospital y la Harvard Medical School, en su columna \u00abBreast Imaging in Focus\u00bb de Diagnostic Imaging.<\/p>\n

\"Gr\u00e1fico
AUC de los cuatro modelos en los dos escenarios evaluados. Datos: Wang YK et al., Radiology: Imaging Cancer 2026 (gr\u00e1fico de RT Medical).<\/figcaption><\/figure>\n

Qu\u00e9 evalu\u00f3 el estudio<\/h2>\n

El art\u00edculo, firmado por Yao-Kuan Wang, Lesley Cockmartin, Tobias Wagner y colaboradores, con Hilde Bosmans como autora s\u00e9nior, re\u00fane grupos de la KU Leuven y el Hospital Universitario de Lovaina (B\u00e9lgica), la Universidad de Liubliana y el Instituto Jo\u017eef Stefan (Eslovenia) y la Universidad de Wisconsin-Madison. Se public\u00f3 en el n\u00famero de septiembre de 2026 de la revista de la RSNA (2026;8(5):e250609).<\/p>\n

Es un estudio retrospectivo de casos y controles. La base re\u00fane 20.187 mamograf\u00edas de 7.430 mujeres cribadas en Suecia entre 2008 y 2016. De esos estudios, 741 fueron seguidos de un diagn\u00f3stico de c\u00e1ncer de mama en un plazo de dos a\u00f1os: 524 c\u00e1nceres detectados en el propio cribado y 217 c\u00e1nceres de intervalo, es decir, los que aparecen cl\u00ednicamente entre una ronda de cribado y la siguiente, despu\u00e9s de un examen considerado negativo.<\/p>\n

Se compararon cuatro modelos. Dos son de detecci\u00f3n: Transpara Detection, de ScreenPoint Medical, y un modelo identificado como RSNA Detection. Dos son de riesgo: Transpara Risk, tambi\u00e9n de ScreenPoint, y Mirai, el modelo de riesgo basado en imagen desarrollado en el MIT. Cada uno se evalu\u00f3 en dos escenarios. El de detecci\u00f3n incluy\u00f3 los c\u00e1nceres detectados en el cribado y los de intervalo. El de riesgo a corto plazo buscaba identificar, a partir de un examen negativo, qu\u00e9 mujeres tendr\u00edan un c\u00e1ncer de intervalo. Las m\u00e9tricas fueron el \u00e1rea bajo la curva ROC (AUC) y la sensibilidad y especificidad en umbrales cl\u00ednicamente relevantes.<\/p>\n

Los tres hallazgos principales<\/h2>\n

Detecci\u00f3n:<\/strong> Transpara Detection y Transpara Risk empataron con un AUC de 0,92, por delante de RSNA Detection (0,90) y Mirai (0,88). El empate, sin embargo, oculta una diferencia operativa. Con la sensibilidad fijada en la de la doble lectura por radi\u00f3logos, del 70,7%, el modelo de detecci\u00f3n alcanz\u00f3 una especificidad del 97,1%, frente al 94% del modelo de riesgo. En un programa de cribado, tres puntos de especificidad equivalen a muchas rellamadas adicionales.<\/p>\n

Riesgo a corto plazo:<\/strong> aqu\u00ed el orden se invierte. Transpara Risk obtuvo un AUC de 0,81, frente a 0,76 de Transpara Detection y de Mirai y 0,72 de RSNA Detection. Con la especificidad fijada en el 90%, el modelo de riesgo se\u00f1al\u00f3 el 49,8% de los c\u00e1nceres de intervalo, mientras que el de detecci\u00f3n se\u00f1al\u00f3 el 41%.<\/p>\n

Concordancia:<\/strong> los autores cruzaron los dos modelos de ScreenPoint. Al 90% de especificidad, solo el 11,1% de los c\u00e1nceres de intervalo fue se\u00f1alado por el modelo de riesgo sin que el de detecci\u00f3n tambi\u00e9n lo marcara, y el 47,9% escap\u00f3 a ambos. Es decir, hay mucha superposici\u00f3n entre las herramientas y casi la mitad de los casos m\u00e1s dif\u00edciles sigue siendo invisible para las dos.<\/p>\n

Por qu\u00e9 detecci\u00f3n y riesgo son tareas distintas<\/h2>\n

Un algoritmo de detecci\u00f3n se entrena para localizar lo que ya est\u00e1 en la imagen: masa, distorsi\u00f3n arquitectural, microcalcificaciones. Responde a la pregunta \u00ab\u00bfhay c\u00e1ncer en este estudio?\u00bb. Un modelo de riesgo a corto plazo responde a otra: \u00ab\u00bfes probable que esta mujer desarrolle c\u00e1ncer en los pr\u00f3ximos a\u00f1os?\u00bb. Para ello aprende se\u00f1ales m\u00e1s difusas, como el patr\u00f3n de densidad, la textura del par\u00e9nquima y asimetr\u00edas sutiles, que pueden anteceder a una lesi\u00f3n visible o corresponder a un tumor todav\u00eda por debajo del umbral de percepci\u00f3n.<\/p>\n

Ambas salidas suelen ser una puntuaci\u00f3n continua, y es tentador usar una en lugar de la otra. El estudio muestra por qu\u00e9 eso es arriesgado: AUC parecidos no garantizan el mismo comportamiento en el punto de corte que el servicio usar\u00e1 de verdad. El AUC resume el desempe\u00f1o en todos los umbrales, pero un programa de cribado opera en uno solo. Esta distinci\u00f3n ya apareci\u00f3 en otras coberturas del blog, como el estudio que us\u00f3 Mirai para seguir la evoluci\u00f3n del riesgo de c\u00e1ncer de mama<\/a> y el inter\u00e9s de inversores en el riesgo basado en imagen, en el caso del fondo de la BCRF que invirti\u00f3 en Clairity<\/a>.<\/p>\n

La lectura de Manisha Bahl<\/h2>\n

En su columna, Bahl extrae tres consecuencias. La primera es directa: los modelos de detecci\u00f3n y de riesgo no deben tratarse como intercambiables, aunque sus cifras se superpongan. La segunda es que la IA de riesgo podr\u00eda ayudar a seleccionar a las mujeres que se beneficiar\u00edan de un cribado suplementario, pero a\u00fan no se sabe si esa estrategia aumenta la detecci\u00f3n o reduce los c\u00e1nceres de intervalo. La tercera se refiere a combinar las herramientas: como pocos c\u00e1nceres de intervalo fueron captados solo por el modelo de riesgo, el beneficio incremental de usar ambos sigue abierto.<\/p>\n

Su conclusi\u00f3n es que se trata de aplicaciones relacionadas pero distintas, y que cada modelo debe elegirse y validarse seg\u00fan el uso cl\u00ednico previsto. La radi\u00f3loga pide estudios prospectivos para saber si integrar estos algoritmos en el flujo de cribado mejora los resultados de las pacientes.<\/p>\n

Implicaciones para los servicios de mama en Am\u00e9rica Latina<\/h2>\n

Para quien contrata o implementa IA en mamograf\u00eda, el mensaje es de gobernanza. Un algoritmo aprobado y validado como detector de lesiones no debe reutilizarse como estratificador de riesgo sin una validaci\u00f3n propia, y lo inverso tambi\u00e9n vale. El umbral debe elegirse para la tarea, teniendo en cuenta la tasa de rellamadas que el servicio puede absorber. Experiencias como la de Estocolmo, que sustituy\u00f3 al segundo lector por IA<\/a>, la reducci\u00f3n de carga de trabajo con IA en el cribado<\/a> y la mejora de especificidad con la IA de Lunit<\/a> se refieren a la detecci\u00f3n. La estratificaci\u00f3n de riesgo es otro producto, con otra validaci\u00f3n.<\/p>\n

En gran parte de Am\u00e9rica Latina, donde el cribado organizado todav\u00eda es limitado y muchas mamograf\u00edas son oportunistas, la estratificaci\u00f3n de riesgo por imagen resulta atractiva porque podr\u00eda dirigir recursos escasos, como la ecograf\u00eda complementaria o la resonancia, a quienes m\u00e1s los necesitan. El estudio, sin embargo, no incluye datos latinoamericanos. Las diferencias de poblaci\u00f3n, equipos e intervalo entre rondas hacen obligatoria la validaci\u00f3n local antes de cualquier uso de este tipo.<\/p>\n

Limitaciones<\/h2>\n

Bahl y los propios datos se\u00f1alan reservas importantes. El dise\u00f1o es retrospectivo de casos y controles e incluy\u00f3 varios estudios de una misma mujer. Los modelos se evaluaron de forma aislada, sin la interacci\u00f3n con radi\u00f3logos que ocurrir\u00eda en la rutina. Parte de la informaci\u00f3n cl\u00ednica que requieren los modelos tuvo que imputarse. Todos los estudios provinieron de un \u00fanico fabricante de mam\u00f3grafos y de una poblaci\u00f3n sueca, lo que limita la generalizaci\u00f3n. Por \u00faltimo, el estudio midi\u00f3 el desempe\u00f1o de los algoritmos, no resultados cl\u00ednicos como mortalidad o estadio al diagn\u00f3stico.<\/p>\n

Aun as\u00ed, el trabajo ayuda a afinar una discusi\u00f3n que suele mezclar conceptos. Una misma imagen puede alimentar dos preguntas distintas, y la respuesta correcta depende de usar la herramienta adecuada en el punto de corte adecuado.<\/p>\n

Fuente:<\/strong> Diagnostic Imaging (columna de Manisha Bahl)<\/a> y Wang YK et al., Radiology: Imaging Cancer 2026<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

Estudio con 20.187 mamograf\u00edas suecas compara Transpara, Mirai y un modelo RSNA: cada IA rinde m\u00e1s en la tarea para la que fue creada.<\/p>\n","protected":false},"author":5,"featured_media":19813,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"om_disable_all_campaigns":false,"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"ngg_post_thumbnail":0,"_rt_cluster":"","fifu_image_url":"","fifu_image_alt":"","footnotes":""},"categories":[229,183],"tags":[],"class_list":["post-19842","post","type-post","status-publish","format-standard","has-post-thumbnail","category-inteligencia-artificial-es","category-radiologia-es"],"aioseo_notices":[],"rt_seo":{"title":"","description":"Estudio con 20.187 mamograf\u00edas suecas compara Transpara, Mirai y un modelo RSNA: cada IA rinde m\u00e1s en la tarea para la que fue creada.","canonical":"","og_image":"","robots":"index,follow","schema_type":"Article","include_in_llms":true,"llms_label":"IA de detecci\u00f3n vs. riesgo en mamograf\u00eda (Radiol Imaging Cancer 2026)","llms_summary":"Wang YK, Cockmartin L, Wagner T et al. (KU Leuven; Liubliana), Radiol Imaging Cancer 2026;8(5):e250609. Casos y controles retrospectivo, 20.187 mamograf\u00edas de 7.430 suecas (2008-2016); 741 c\u00e1nceres en 2 a\u00f1os (524 de cribado, 217 de intervalo). Detecci\u00f3n: AUC 0,92 Transpara Detection y Risk, 0,90 RSNA, 0,88 Mirai; especificidad 97,1% vs 94% con la sensibilidad de la doble lectura (70,7%). Riesgo a corto plazo: AUC 0,81 Transpara Risk, 0,76 Detection\/Mirai, 0,72 RSNA; 49,8% vs 41% de c\u00e1nceres de intervalo al 90% de especificidad; 47,9% perdidos por ambos. Comentario de Manisha Bahl (MGH\/Harvard) en Diagnostic Imaging.","faq_items":[],"video":[],"gtin":"","mpn":"","brand":"","aggregate_rating":[]},"_links":{"self":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/19842\/"}],"collection":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/"}],"about":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/types\/post\/"}],"author":[{"embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/users\/5\/"}],"replies":[{"embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/comments\/?post=19842"}],"version-history":[{"count":1,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/19842\/revisions\/"}],"predecessor-version":[{"id":19851,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/19842\/revisions\/19851\/"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/media\/19813\/"}],"wp:attachment":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/media\/?parent=19842"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/categories\/?post=19842"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/tags\/?post=19842"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}