Redacción
La inteligencia artificial (IA) permite calcular el riesgo de desarrollar cáncer de mama en los próximos cinco años a partir de una sola mamografía, lo que abre la puerta a programas de cribado personalizados según el riesgo individual de cada mujer. Esta tecnología, todavía en fase de investigación, podría transformar los actuales programas de detección precoz, que aplican estrategias similares a mujeres con distintos niveles de riesgo.
Así lo explica Marina Álvarez, especialista en radiología de mama de la Sociedad Española de Radiología Médica (Seram), miembro de su Comisión de Inteligencia Artificial, jefa del Servicio de Radiodiagnóstico del Hospital Universitario Reina Sofía de Córdoba e investigadora del Instituto Maimónides de Investigación Biomédica de Córdoba (Imibic).
El Hospital Universitario Reina Sofía y el Imibic participan en un estudio multicéntrico internacional para validar una herramienta de IA capaz de identificar a las mujeres con mayor riesgo de desarrollar la enfermedad. Son los únicos centros españoles que forman parte de esta investigación, desarrollada junto a otros centros de Estados Unidos y Europa. «El cribado no va a ser igual para todas las mujeres, será personalizado, individualizado para cada mujer, y, por lo tanto, más efectivo», afirma Marina Álvarez.
Hoy el cribado es igual para todas las mujeres, aunque no todas tienen el mismo riesgo, ni se benefician de él de la misma manera, y estos sistemas con IA abren la puerta a un cribado personalizado
La herramienta utiliza un modelo de IA basado en aprendizaje profundo (deep learning) para analizar una mamografía y calcular la probabilidad de desarrollar cáncer de mama durante los cinco años siguientes. El sistema proporciona un porcentaje de riesgo individual y un valor de referencia correspondiente al grupo de edad de la paciente. «Estima un riesgo estadístico para cáncer de mama a partir del análisis de la mamografía, teniendo en cuenta no solo la densidad mamaria de forma volumétrica, sino también otros aspectos como análisis de textura (patrones del parénquima) que efectivamente no son visibles al ojo humano», explica.
La densidad mamaria, entendida como la proporción de tejido glandular respecto al tejido graso, es un factor de riesgo conocido de cáncer de mama. Sin embargo, la IA va más allá de este indicador y analiza patrones de textura del tejido mamario que no son perceptibles para el ojo humano. Además, mientras que la valoración de la densidad mamaria por parte del radiólogo puede presentar cierta subjetividad, el sistema realiza una medición automática y objetiva.
La especialista aclara que esta herramienta no está diseñada para detectar tumores presentes, sino para anticipar el riesgo futuro de desarrollar la enfermedad. Por tanto, se aplica a mamografías previamente interpretadas como normales o benignas. «No son softwares de ayuda al diagnóstico en el momento de realizar el estudio sino para predecir el riesgo de cáncer de mama en los siguientes 5 años a partir de una mamografía interpretada como normal», señala.
No es una herramienta de ayuda al diagnóstico. Se aplica sobre mamografías que ya se han interpretado como normales o benignas y su objetivo es anticipar el riesgo futuro, no detectar un tumor presente
La IA mejora la predicción del riesgo frente a los modelos clínicos tradicionales
Hasta ahora, la estimación del riesgo de cáncer de mama se ha basado principalmente en modelos clínicos como Gail, Boadicea o el del Breast Cancer Surveillance Consortium (BCSC). Estos sistemas utilizan cuestionarios que incluyen variables como la edad, la raza, los antecedentes reproductivos, las biopsias previas o los antecedentes de cáncer. Sin embargo, según Marina Álvarez, estos modelos presentan una capacidad discriminativa limitada y dificultades para su aplicación a gran escala en los programas de cribado poblacional.
«La ventaja de los softwares de IA que evalúan el riesgo para cáncer de mama a partir de la mamografía es que se aplican de forma automática, permitiendo resultados instantáneos, sin necesidad de cuestionarios, de forma más ágil y cómoda para profesionales y mujeres», afirma.
Los resultados del estudio multicéntrico en el que participa el Hospital Universitario Reina Sofía y el Imibic apuntan a una mayor capacidad predictiva de la IA. En mujeres evaluadas mediante ambos tipos de herramientas, el modelo de IA superó al BCSC (0,66 frente a 0,60) y al modelo de Gail (0,67 frente a 0,58).
Estas diferencias corresponden al área bajo la curva (AUC), un indicador estadístico que mide la capacidad de una prueba para distinguir entre las mujeres que desarrollarán cáncer de mama y aquellas que no lo harán. Otros estudios han mostrado, además, que la capacidad de estos sistemas para predecir el desarrollo de cáncer en los años siguientes es dos veces superior a la obtenida utilizando únicamente la densidad mamaria.
Según los resultados preliminares de un estudio multicéntrico internacional, la capacidad de estos sistemas para predecir un cáncer en los años siguientes es dos veces superior a la que se obtiene usando solo la densidad mamaria
Un estudio internacional con más de 27.000 mamografías normales
El equipo de Marina Álvarez trabaja con Transpara Risk Index, una herramienta que calcula el riesgo de cáncer de mama a cinco años tanto a partir de mamografías digitales como de estudios de tomosíntesis o mamografía tridimensional (3D). El sistema se ha entrenado con más de 200.000 mamografías y 6.000 casos de cáncer, con un seguimiento superior a 13 años. Una validación externa previa, que incluyó más de 65.000 estudios de un centro europeo y otro estadounidense, obtuvo valores de AUC de entre 0,73 y 0,75. En esa validación, el 10% de las mujeres identificadas con mayor riesgo concentró el 39,3% de los cánceres.
Actualmente, un estudio multicéntrico con seis centros de Estados Unidos y Europa busca validar de forma independiente el rendimiento de la herramienta a gran escala y con equipos de tres fabricantes diferentes. Los resultados preliminares incluyen 27.172 mamografías normales y 2.011 cánceres aparecidos posteriormente, con un seguimiento superior a cinco años. La herramienta obtuvo un AUC de 0,71 a dos años, 0,70 a tres años y 0,69 a cinco años.
Uno de los principales hallazgos es que el 10% de las mujeres clasificadas con mayor riesgo por la IA concentró aproximadamente el 30% de los cánceres diagnosticados en los cinco años siguientes. En comparación, el 10% de las mujeres con mayor densidad mamaria reunió el 13% de los casos. Estos resultados se presentarán con mayor detalle en el Congreso Europeo de Radiología.
La posibilidad de adaptar los programas de cribado al riesgo individual constituye uno de los grandes retos de la detección precoz del cáncer de mama. Los intentos previos de personalización, basados en la densidad mamaria, los cuestionarios clínicos o los estudios genéticos, han encontrado dificultades para su implantación a gran escala debido a su coste, el tiempo necesario para aplicarlos y sus limitaciones predictivas.
El sistema va más allá de la densidad mamaria: estudia patrones de textura del tejido mamario que no son visibles al ojo humano
«La posibilidad de entrar en un cribado personalizado de forma fácil, simplemente a partir de un análisis automático de la mamografía, permitiría aplicar estrategias diferenciadas de cribado en función del riesgo individual de cada mujer», explica Marina Álvarez. En la práctica, esta tecnología permitiría adaptar la periodicidad de las mamografías, las técnicas de imagen utilizadas y las estrategias de lectura al riesgo individual.
En mujeres con menor riesgo se podría plantear espaciar las pruebas o incluso prescindir de ellas, mientras que en aquellas con mayor riesgo se podría aumentar la frecuencia del cribado e incorporar técnicas más sensibles, como la resonancia magnética o la mamografía con contraste. También podrían considerarse medidas preventivas específicas. «Sin duda ello permitirá mejorar los resultados del programa de cribado, adelantarnos en el tiempo en el diagnóstico de cánceres, con diagnósticos más iniciales, y disminuyendo los cánceres de intervalo o cánceres avanzados», añade la especialista en radiología de mama de la Seram.
Los cánceres de intervalo son aquellos diagnosticados entre dos mamografías programadas dentro del cribado. Según Marina Álvarez, la personalización también podría optimizar los recursos sanitarios y evitar pruebas innecesarias en mujeres que no las necesitan.
El radiólogo seguirá siendo clave para interpretar el riesgo
Aunque el cálculo del riesgo mediante IA se realiza de forma automática, la tecnología no sustituye al radiólogo, cuyo papel seguirá siendo fundamental para interpretar los resultados y orientar las decisiones sobre el seguimiento de cada paciente. «El papel del radiólogo será asesorar a la mujer de qué significa ese riesgo, y trabajar para poder ofrecer un cribado adaptado al riesgo individual de cada mujer», subraya Álvarez. La comunicación de los resultados será también un aspecto esencial de estos programas. Ante la posibilidad de que conocer un riesgo elevado genere ansiedad, la especialista destaca la importancia de trasladar la información de manera adecuada.
Esta tecnología permitiría pasar de un cribado de «talla única» a un cribado adaptado al riesgo de cada mujer, con distinta frecuencia, técnica y estrategia de lectura
«Si la información se trasmite de forma adecuada y adaptada a la población general es bueno que cada mujer conozca su riesgo y cuáles son las pruebas o cribado más adecuado para su situación», remarca. Según explica, las experiencias de cribado personalizado desarrolladas en Estados Unidos y Europa muestran una mayor adherencia y satisfacción cuando las mujeres conocen que el programa está adaptado a su situación individual.
La validación clínica, el siguiente paso antes de su implantación
Pese a los resultados prometedores, las herramientas de IA para predecir el riesgo de cáncer de mama todavía se encuentran en fase de investigación. Álvarez prevé que alguna de ellas pueda estar disponible en el mercado próximamente, aunque su incorporación a la práctica clínica requiere nuevas evaluaciones. Entre los principales desafíos figuran las validaciones externas e independientes a gran escala, con diferentes equipos, poblaciones y condiciones reales de cribado, así como la evaluación de su impacto clínico.
También será necesario definir qué estrategias de seguimiento se ofrecerán a las mujeres según su nivel de riesgo y formar tanto a los profesionales sanitarios como a la población para interpretar correctamente esta información. «Existe mucho trabajo por delante, pero parece que tenemos la clave para poder llegar a un cribado personalizado», concluye Álvarez.
