Pablo Malo Segura
La imagen mamaria atraviesa una revolución tecnológica, impulsada por la incorporación de técnicas avanzadas como la tomosíntesis y la inteligencia artificial (IA). Esta transformación no solo redefine los estándares diagnósticos, sino que plantea nuevos modelos de trabajo en radiología. En el marco de las IV Jornadas Seram-ARRS, organizadas por la Sociedad Española de Radiología Médica y la American Roentgen Ray Society en el Hospital La Paz, el Dr. Alejandro Tejerina Bernal, especialista en mama de la Seram y coordinador del área de diagnóstico por imagen del Centro de Patología de la Mama – Fundación Tejerina, atiende a iSanidad para hablar sobre el impacto real de estas innovaciones.
Desde la mejora en la detección precoz del cáncer hasta la optimización de los flujos de lectura, el Dr. Tejerina analiza los retos, beneficios y competencias clave que deben adquirir los radiólogos para integrar eficazmente estas tecnologías en su práctica clínica diaria. «Los algoritmos de IA funcionan como un segundo lector: resaltan áreas sospechosas, estiman el riesgo y valoran la densidad mamaria. Su integración ha empezado a modificar sustancialmente los circuitos de lectura mamográfica», asegura el especialista en mama de la Seram, que ofreció la ponencia Tomosíntesis e IA: la revolución de la imagen mamaria.
«Estamos viviendo una transformación en la imagen mamaria, impulsada por tecnologías como la tomosíntesis y la inteligencia artificial»
¿Cómo describiría el momento actual de la imagen mamaria en cuanto a innovación tecnológica, particularmente con la integración de la tomosíntesis y la inteligencia artificial?
Estamos viviendo una transformación en la imagen mamaria, impulsada por tecnologías como la tomosíntesis y la inteligencia artificial.
La tomosíntesis ha supuesto un avance importante respecto a la mamografía digital convencional. Al generar cortes milimétricos desde diferentes ángulos, ofrece una reconstrucción tridimensional que mejora la detección y caracterización de lesiones, especialmente aquellas enmascaradas en imágenes 2D. En esencia, es una mamografía en 3D. La tomosíntesis ha demostrado aumentar la tasa de detección del cáncer de mama, no solo en mujeres con mamas densas, sino en la mayoría de los casos. Idealmente, debería incorporarse en todos los estudios mamográficos, ya que mejora la calidad diagnóstica de forma general.
«La tomosíntesis ha demostrado aumentar la tasa de detección del cáncer de mama, no solo en mujeres con mamas densas, sino en la mayoría de los casos»
Además, los equipos actuales permiten adquisiciones más rápidas y con menor dosis de radiación, gracias a la imagen sintetizada que sustituye la proyección 2D adicional. Paralelamente, la inteligencia artificial está ganando terreno, mejorando la precisión en la lectura e impulsando la eficiencia clínica. La imagen mamaria está viviendo una verdadera revolución tecnológica, que redefine cómo vemos, interpretamos y gestionamos el estudio de la mama.
¿De qué forma se está aplicando la IA en imagen mamaria? ¿Qué tareas se están automatizando en tomosíntesis?
La inteligencia artificial ha marcado un cambio significativo tanto en la detección de lesiones como en la eficiencia del trabajo diario. Por un lado, los algoritmos de IA funcionan como un segundo lector, ayudando a resaltar áreas sospechosas, estimando el riesgo y valorando de forma más objetiva la densidad mamaria. Esto aporta mayor seguridad al radiólogo y mejora la consistencia en la interpretación de los estudios.
«La inteligencia artificial ha marcado un cambio significativo tanto en la detección de lesiones como en la eficiencia del trabajo diario»
Por otro lado, existen herramientas diseñadas para optimizar la lectura, como 3DQuorum, que emplea inteligencia artificial para generar cortes sintéticos más gruesos, de aproximadamente 6 mm, a partir del estudio completo. Esta técnica permite revisar un menor número de imágenes sin comprometer la sensibilidad diagnóstica, lo que acelera el proceso de lectura. Resulta especialmente útil en centros con un alto volumen de estudios, donde la eficiencia es tan crucial como la precisión.
¿Cuál es el grado de fiabilidad y validación clínica de los algoritmos actuales en este campo?
La fiabilidad de los algoritmos de inteligencia artificial en imagen mamaria ha mejorado notablemente en los últimos años. Existen ya múltiples estudios multicéntricos, retrospectivos y prospectivos, que han validado su rendimiento diagnóstico en comparación con la interpretación humana, en algunos casos mostrando una sensibilidad y especificidad comparable a la de radiólogos expertos.
«Existen ya múltiples estudios multicéntricos que han validado el rendimiento diagnóstico de los algoritmos de IA, en algunos casos con una sensibilidad y especificidad comparable al de radiólogos expertos»
Sin embargo, el rendimiento puede variar en función del tipo de población, el sistema utilizado y el entorno clínico. Por eso, aunque la evidencia es creciente, sigue siendo necesaria una validación continua, especialmente en contextos reales y diversos. En este sentido, muchos algoritmos han sido entrenados con bases de datos específicas, lo que puede limitar su generalización. Por tanto, los algoritmos actuales deben entenderse como herramientas de apoyo, validadas para mejorar la lectura y reducir la variabilidad, pero que aún requieren supervisión clínica para garantizar una interpretación segura y contextualizada.
¿Qué cambios ha implicado la integración de IA en los circuitos de lectura mamográfica? ¿Se han observado mejoras significativas en los tiempos de lectura, tasas de detección o reducción de falsos positivos/negativos?
La integración de la IA ha empezado a modificar sustancialmente los circuitos de lectura mamográfica. Uno de los cambios más relevantes ha sido la posibilidad de incorporar un segundo lector automático en modelos de lectura única, lo que permite mantener la seguridad diagnóstica reduciendo el número de lecturas humanas necesarias, especialmente en programas de cribado.
«Uno de los cambios más relevantes ha sido la posibilidad de incorporar un segundo lector automático en modelos de lectura única, lo que permite mantener la seguridad diagnóstica reduciendo el número de lecturas humanas necesarias»
Además, herramientas como 3DQuorum, que generan cortes sintéticos con IA, han demostrado una reducción significativa en los tiempos de lectura, sin comprometer la sensibilidad, lo que es clave en entornos con alta carga de trabajo. En cuanto a la precisión, los estudios muestran una tendencia a reducir tanto los falsos negativos (al resaltar hallazgos sutiles que podrían pasar desapercibidos) como los falsos positivos, al aportar una segunda valoración más objetiva. Todo esto contribuye a mejorar la eficiencia, la confianza diagnóstica y, en última instancia, la experiencia del paciente.
¿Cuáles son los principales obstáculos para una adopción amplia de la IA en imagen mamaria?
Aunque IA y tomosíntesis no sustituyen al radiólogo sino que lo potencian, su adopción presenta varios retos. Uno es la variabilidad entre centros en infraestructura tecnológica y conectividad, lo que dificulta una integración homogénea. También persisten dudas éticas y legales sobre la responsabilidad diagnóstica, y falta transparencia en algunos modelos de IA, cuyo funcionamiento puede resultar difícil de interpretar. A esto se suma la resistencia al cambio y la necesidad de formación específica. Además, la incorporación segura requiere inversión, rediseño de circuitos y evidencia de coste-efectividad a largo plazo.
«La IA es una herramienta tecnológica muy importante pero la supervisión humana sigue siendo fundamental»
¿Qué competencias considera imprescindibles para los radiólogos que desean incorporar IA en su práctica?
Para incorporar con éxito la IA en la práctica radiológica, es imprescindible que el radiólogo desarrolle competencias en varias áreas. Primero, un estudio del «lenguaje» que utiliza esta tecnología, de forma que le permita comprender cómo funcionan los algoritmos, sus limitaciones y sus sesgos potenciales. Se trata de ser capaces de evaluar críticamente una herramienta antes de confiar en sus resultados.
En segundo lugar, es necesario contar con capacidad de adaptación al cambio, ya que el entorno tecnológico evoluciona rápidamente. También resulta importante la colaboración multidisciplinar para asegurar una implementación segura y centrada en el paciente.
Además, deben fortalecerse habilidades en análisis de datos, evaluación crítica y ética profesional, para garantizar una integración responsable y basada en la calidad asistencial. La IA es una herramienta tecnológica muy importante pero la supervisión humana sigue siendo fundamental.
