Herramienta de IA predice riesgo de cáncer de mama a cinco años a partir de mamografías
Actualizado el 26 Jun 2026
La evaluación del riesgo de cáncer de mama durante el cribado de rutina es difícil porque muchas mujeres que desarrollan la enfermedad no tienen mutaciones genéticas conocidas ni antecedentes familiares. Las herramientas estáticas de riesgo ofrecen una discriminación limitada en el cribado poblacional, lo que puede dificultar la aplicación oportuna de estrategias de imagen y prevención adaptadas al riesgo.
Un nuevo estudio muestra que la inteligencia artificial (IA) puede extraer información de riesgo evolutiva, basada únicamente en imágenes, a partir de mamografías. Investigadores han demostrado ahora que el seguimiento de estos cambios a lo largo del tiempo ayuda a predecir el cáncer de mama futuro.
Investigadores de la Facultad de Medicina de Harvard y Weill Cornell Medicine evaluaron un método de aprendizaje profundo basado únicamente en imágenes que calcula el riesgo de cáncer de mama a cinco años directamente a partir de mamografías de cribado. El enfoque analiza toda la imagen mamográfica, en lugar de depender de características predeterminadas como la densidad, y no requiere datos demográficos ni clínicos.
Según el estudio, estos modelos han mostrado un mejor desempeño que las calculadoras de riesgo tradicionales y la densidad por sí sola para estimar el riesgo a cinco años, y el nuevo análisis fue publicado en Radiology, una revista de la Sociedad Radiológica de Norteamérica (RSNA), el 23 de junio de 2026.
El estudio longitudinal se basó en exámenes de cribado realizados entre 2009 y 2019 en seis centros de imagen que representaban entornos de práctica urbanos terciarios, comunitarios y rurales. Inicialmente, los investigadores identificaron 239.703 mamografías de cribado 2D de 89.882 pacientes; tras las exclusiones, la cohorte final incluyó a 54.014 mujeres, con una mediana de edad de 61 años, entre ellas 817 casos de cáncer y 53.197 controles sin cáncer. Cada participante aportó un examen índice y hasta seis mamografías anuales previas, lo que generó 158.807 estudios para el análisis.
Un modelo de aprendizaje profundo validado y de código abierto generó puntajes continuos de riesgo a cinco años a partir de cada mamografía, sin datos auxiliares. Entre las pacientes con cáncer, las medianas de los puntajes aumentaron de 2,1 entre cinco y seis años antes del diagnóstico a 6,6 en el examen índice, con el incremento más pronunciado en los dos años previos al diagnóstico. En cambio, las participantes sin cáncer mantuvieron medianas estables de entre 1,8 y 2,2 en todos los puntos temporales, y estas tendencias fueron consistentes en subgrupos definidos por edad y densidad mamaria.
Los hallazgos respaldan el uso de puntuaciones de riesgo basadas en imágenes como biomarcadores dinámicos que podrían orientar la detección y prevención personalizadas. En 2026, la Red Nacional Integral del Cáncer (NCCN) incorporó puntuaciones de riesgo basadas en imágenes con inteligencia artificial (IA) en sus guías, recomendando que, a partir de los 35 años, las mujeres con una puntuación de riesgo a cinco años elevada (superior al 1,7 %) consideren realizarse una resonancia magnética mamaria además de la mamografía anual. Un modelo de puntuación de riesgo a cinco años basado en imágenes, aprobado por la FDA, se utiliza clínicamente en instituciones selectas de Estados Unidos.
“Estas tendencias se mantuvieron sólidas en subgrupos definidos por edad y densidad mamaria, lo que respalda aún más la generalización de nuestros hallazgos. Esto es particularmente relevante dadas las disparidades persistentes en el rendimiento del cribado entre poblaciones de pacientes. Un enfoque de biomarcadores dinámicos basado en los datos de imagen podría mitigar algunas de estas disparidades al permitir una personalización basada en el riesgo que no dependa de datos clínicos autorreportados o inconsistentes”, afirmó Constance D. Lehman, M.D., Ph.D., profesora de radiología en la Facultad de Medicina de Harvard y directora ejecutiva de Clairity Inc.
Enlaces relacionados
RSNA
Harvard Medical School
Weill Cornell Medicine