Investigadores de la Universidad de Nueva York (NYU) desarrollaron un modelo IA de aprendizaje profundo capaz de utilizar mamografías tridimensionales para predecir el riesgo individual de desarrollar cáncer de mama durante los siguientes cinco años.
El sistema, denominado DRP (DBT-based Risk Prediction), analiza estudios de tomosíntesis digital de mama (DBT), una técnica que genera una representación casi tridimensional del tejido mamario a partir de múltiples imágenes de baja dosis.
A diferencia de los sistemas que analizan una única exploración, el modelo incorpora información de diferentes estudios realizados a lo largo del tiempo. También considera variables como la edad de la paciente y la densidad mamaria.
El estudio retrospectivo examinó más de 313.000 estudios de DBT correspondientes a unas 161.000 mujeres, con información recopilada entre 2016 y 2020.
La información acumulada mejora la predicción
Uno de los aspectos más relevantes del trabajo es que el modelo no se limita a observar una fotografía aislada. La arquitectura de aprendizaje profundo puede incorporar hasta 10 estudios previos de DBT de una misma paciente para identificar cambios y patrones relacionados con el riesgo futuro.
Para procesar las imágenes, el sistema emplea una arquitectura basada en transformadores y combina características obtenidas a nivel de cada corte con representaciones completas de cada examen. Posteriormente, integra la evolución temporal de las exploraciones junto con la edad y la densidad mamaria.
En las pruebas realizadas sobre un conjunto independiente de 34.570 estudios, el modelo longitudinal alcanzó un AUC de 0,721 para la predicción a cinco años. El resultado superó tanto una versión del propio modelo basada en una sola exploración, con un AUC de 0,707, como al sistema Mirai, basado en mamografías digitales 2D, que obtuvo 0,687.
El AUC, o área bajo la curva ROC, es una métrica utilizada para medir la capacidad de un modelo para distinguir entre diferentes niveles de riesgo.
Una herramienta para personalizar el seguimiento
Los investigadores también compararon el sistema con el modelo clínico Tyrer-Cuzick, utilizado para estimar el riesgo de cáncer de mama a partir de factores clínicos y familiares.
En una cohorte emparejada de 432 estudios, el DRP alcanzó un AUC de 0,676, frente a 0,563 para Tyrer-Cuzick. La diferencia sugiere que incorporar información obtenida directamente de las imágenes podría aportar señales adicionales a las variables clínicas tradicionales.
El modelo también logró diferenciar niveles de riesgo dentro de distintas categorías de densidad mamaria. Entre las mujeres con mamas extremadamente densas, por ejemplo, reclasificó cerca del 40 % como pacientes con riesgo promedio.
Los resultados no significan que la IA pueda predecir por sí sola un cáncer de mama en el cercano futuro (por ahora). Se trata de un sistema de predicción de riesgo, no de una herramienta que sustituya la evaluación médica. El trabajo plantea, eso sí, una posible evolución hacia estrategias de seguimiento más personalizadas, en las que el historial completo de imágenes contribuya a determinar qué pacientes podrían necesitar una vigilancia adicional.
El estudio fue publicado inicialmente como preprint y posteriormente apareció como artículo científico ahead of print en el American Journal of Roentgenology en agosto de 2026.
Con información de unite.ia / Redacción Noti AI
No dejes de leer: ¿Impresión o amenaza?: Las capacidades de Astra, la nueva IA de OpenAI
Síguenos en nuestras redes sociales