La inteligencia artificial (IA) aplicada a la resonancia magnética (RM) de mama ha demostrado mejoras significativas en la precisión y especificidad del diagnóstico, ofreciendo una posible solución a los desafíos de larga data en la evaluación de lesiones mamarias indeterminadas.
Desafíos Diagnósticos en la Resonancia Magnética de Mama
La RM de mama se utiliza ampliamente para apoyar el diagnóstico del cáncer de mama, pero su valor clínico se ve limitado por las altas tasas de falsos positivos y la considerable variabilidad en la interpretación entre radiólogos. Estos desafíos son particularmente pronunciados en las lesiones categorizadas como categoría cuatro del Sistema de Información y Datos de Imágenes de Mama (BI-RADS), que con frecuencia conducen a biopsias innecesarias. La variabilidad en la interpretación de los radiólogos complica aún más la toma de decisiones y puede afectar la atención al paciente.
Para abordar estas limitaciones, los investigadores desarrollaron el Sistema de Análisis de Lesiones BI-RADS cuatro, una plataforma de inteligencia artificial diseñada para analizar los ricos datos espacio-temporales generados por la RM con contraste dinámico. El sistema aprovecha modelos fundacionales para mejorar la caracterización de las lesiones y respaldar una interpretación clínica más consistente.
Rendimiento y Precisión Clínica
El sistema de inteligencia artificial se desarrolló y evaluó utilizando un conjunto de datos multicéntrico que comprende 2,803 lesiones de 2,686 pacientes femeninas. En todos los análisis, el sistema demostró un fuerte rendimiento diagnóstico, logrando áreas bajo la curva que oscilan entre 0.892 y 0.930. Es importante destacar que el sistema superó significativamente a los radiólogos en especificidad, alcanzando 0.889 en comparación con 0.491, lo que destaca su capacidad para reducir los hallazgos falsos positivos en la RM de mama.
Cuando se integró en la interpretación clínica, el sistema mejoró significativamente la precisión del diagnóstico tanto para radiólogos senior como junior. Las lecturas asistidas se asociaron con una reducción del 27.3% en las tasas de falsos positivos, lo que sugiere que menos pacientes serían remitidos para biopsias innecesarias. El uso de inteligencia artificial también redujo la variabilidad entre lectores en un 24.5%, abordando una fuente clave de inconsistencia en los informes de RM de mama.
Implicaciones para la Atención Personalizada del Cáncer de Mama
Más allá de la clasificación binaria, el sistema permite una estratificación de riesgos más refinada al asignar las lesiones a las subcategorías A, B y C de BI-RADS cuatro. Esta evaluación granular respalda una evaluación de riesgos más personalizada y puede ayudar a guiar vías de manejo clínico más apropiadas.
En general, estos hallazgos indican que la interpretación de la RM de mama asistida por inteligencia artificial podría desempeñar un papel significativo en el manejo preciso del cáncer de mama. Al mejorar la especificidad, reducir la variabilidad y mejorar el rendimiento de los radiólogos, este enfoque ofrece una herramienta práctica para optimizar los flujos de trabajo de diagnóstico y mejorar los resultados de los pacientes, al tiempo que minimiza las intervenciones innecesarias.
Referencia
Liang Y et al. An interpretable AI system reduces false-positive MRI diagnoses by stratifying high-risk breast lesions. Nature Communications. 2026; https://doi.org/10.1038/s41467-026-69212-7.
