El estudio evaluó la viabilidad de un sistema de segmentación semiautomatizada basado en inteligencia artificial para extraer características radiómicas de lesiones focales de mama detectadas por ecografía. Se incluyeron 352 pacientes en dos centros, con 202 lesiones benignas y 150 malignas. El software de IA empleado logró una alta tasa de aceptación de las segmentaciones por parte de radiólogos expertos (más del 95 %). El modelo radiómico por sí solo mostró un rendimiento limitado, pero al combinarlo con la clasificación ecográfica US BI-RADS se mejoraron significativamente la sensibilidad, especificidad y área bajo la curva (AUC hasta 0,925 en validación externa). Este enfoque propuesto permite reducir potencialmente biopsias innecesarias, aunque a costa de un incremento en cánceres no detectados.

PUNTOS DÉBILES:

El estudio presenta algunas limitaciones que es importante tener en cuenta.

• En primer lugar, aunque se incluyeron 352 pacientes, este tamaño de muestra sigue siendo relativamente pequeño para entrenar y validar un modelo de inteligencia artificial con la solidez necesaria para su generalización.
• La prevalencia de cáncer en la cohorte empleada en el estudio fue más alta que la observada en la población general, lo que introduce un sesgo de selección y limita la extrapolación de los resultados a contextos de cribado o práctica clínica habitual.
• Otro aspecto relevante es que el modelo radiómico por sí solo mostró un rendimiento limitado, con sensibilidad y especificidad bajas, lo que lo hace dependiente de la combinación con la clasificación US BI-RADS para mejorar sus resultados.
• Sin embargo, incluso con esa integración, en la validación externa se observó una pérdida de sensibilidad significativa: se redujeron los falsos positivos y, con ello, las biopsias innecesarias, pero al mismo tiempo aumentó el número de cánceres no detectados, un riesgo clínico considerable.

PUNTOS FUERTES:

El estudio cuenta con varios aspectos positivos que refuerzan su relevancia.

• Se trata de un trabajo prospectivo y multicéntrico, lo que le otorga mayor solidez metodológica frente a estudios retrospectivos y de un solo centro. Además, la inclusión de pacientes de dos hospitales distintos aporta una validación externa que añade rigor a la evaluación del modelo.
• Otro punto fuerte es la alta reproducibilidad del proceso de segmentación semiautomatizada. El software basado en inteligencia artificial alcanzó una tasa de aceptación superior al 95 % por parte de los radiólogos, lo que demuestra que esta herramienta puede agilizar y estandarizar una de las fases más críticas y laboriosas del análisis radiómico. Esto es en sí un punto importante del estudio.
• El trabajo también muestra que la combinación de características radiómicas con la clasificación US BI-RADS mejora significativamente los resultados diagnósticos en comparación con el uso aislado de cualquiera de los dos métodos.
• Un aspecto adicional destacable es que el modelo utilizó un algoritmo de aprendizaje automático interpretable, lo que ofrece a los clínicos la posibilidad de comprender qué variables influyen en las predicciones, una condición esencial para la aceptación de estas tecnologías en la práctica médica.
• Finalmente, el estudio aporta evidencia de que la inteligencia artificial puede integrarse de forma práctica en la ecografía mamaria, una técnica accesible y ampliamente utilizada, contribuyendo a avanzar en la caracterización de lesiones mamarias y en la búsqueda de herramientas que apoyen la toma de decisiones clínicas.

Dr. Francisco Sendra Portero

Editor de la sección de FORMACIÓN