Una revisión analiza la evidencia disponible sobre el desempeño de algoritmos de inteligencia artificial frente a los llamados cánceres de intervalo, aquellos diagnosticados entre una mamografía negativa y la siguiente ronda de tamizaje.
Los cánceres de intervalo son aquellos que se diagnostican después de una mamografía de tamizaje sin hallazgos sospechosos y antes del siguiente estudio programado. Debido a que reflejan tumores que el tamizaje no logró detectar a tiempo, se consideran un indicador más relevante de la efectividad de un programa de detección que la propia tasa de detección de cáncer, según explica una revisión publicada en el Journal of Breast Imaging por investigadores de la Universidad de California, Los Ángeles (UCLA) y del Larkin Community Hospital, en Miami.
De acuerdo con los autores, los cánceres de intervalo suelen tener peor pronóstico, se diagnostican en etapas más avanzadas y presentan subtipos moleculares más agresivos en comparación con los tumores detectados directamente en el tamizaje. Entre los factores que contribuyen a estos casos se encuentran la menor sensibilidad de la mamografía en mamas densas, hallazgos ocultos o sutiles, tumores de crecimiento rápido que superan el intervalo entre estudios, y errores humanos de percepción o interpretación.
“El objetivo final de la mamografía de cribado es eliminar estos cánceres de intervalo y detectarlos lo antes posible, en el momento de la prueba A medida que las herramientas de IA se vuelven más accesibles comercialmente, quisimos ofrecer a los lectores una visión general actualizada y una comprensión fundamental de los cánceres de intervalo y las posibles maneras en que la IA puede ayudar a detectarlos, ya que garantizar que estas herramientas sean seguras y clínicamente eficaces es primordial”, Dra. Tiffany Yu, profesora adjunta de radiología en la Facultad de Medicina David Geffen de la UCLA y autora principal del artículo.
La revisión señala que los avances tecnológicos en mamografía, como la transición de la mamografía digital convencional a la tomosíntesis, han mejorado la tasa de detección de cáncer, aunque su efecto sobre la tasa de cánceres de intervalo ha sido variable. Los sistemas tradicionales de detección asistida por computadora, una tecnología previa a la inteligencia artificial (IA) actual, tampoco lograron mejorar los desenlaces clínicos y, en cambio, incrementaron las tasas de reconvocatoria y biopsia sin reducir los cánceres de intervalo.
Los sistemas modernos de IA, basados en aprendizaje profundo con redes neuronales convolucionales, muestran un desempeño superior frente a estas herramientas previas, con mejoras en la detección de cáncer sin incremento en los falsos positivos. La revisión identifica siete algoritmos actualmente autorizados por la Administración de Alimentos y Medicamentos (FDA, en inlgés) de Estados Unidos para la interpretación de mamografías de tamizaje, entre ellos Transpara, Lunit INSIGHT, ProFound Detection, Genius AI Detection y Saige-Dx, con valores de área bajo la curva que oscilan entre 0.805 y 0.960 según la tecnología de imagen y el tipo de lesión evaluada.
Al analizar estudios retrospectivos realizados en distintos países, los autores encontraron que la IA identifica con mayor precisión los cánceres de intervalo que resultan visibles de forma retrospectiva en la mamografía previa, es decir, aquellos que técnicamente pudieron haberse detectado antes, en comparación con los tumores verdaderamente ocultos o no presentes al momento del tamizaje.
“Detectar un cáncer retrospectivamente es muy diferente a demostrar que el uso de la IA durante las pruebas de detección rutinarias habría llevado a un diagnóstico más temprano”, Dra. Hannah Milch, profesora asociada de radiología en la Facultad de Medicina David Geffen de la UCLA y coautora del estudio.
En Suecia, un algoritmo localizó correctamente 58% de los cánceres de intervalo visibles de forma retrospectiva, lo que se tradujo en una reducción potencial de 19% en la tasa de cánceres de intervalo. En Alemania, el rango de detección varió entre 15% y 90%, dependiendo del punto de operación del algoritmo. En el Reino Unido, la precisión de localización llegó a 100% en los casos clasificados como sospechosos, frente a 66% en los que no mostraban hallazgos evidentes.
“Necesitamos evidencia prospectiva que demuestre que la IA realmente cambia los resultados de los pacientes”, Dra. Milch.
Otro grupo de estudios exploró la capacidad de la IA para predecir el desarrollo futuro de cánceres de intervalo, incluso cuando la mamografía índice se interpretó como normal. En Noruega, los algoritmos asignaron su puntaje de riesgo más alto a 23.1% de los casos que después desarrollarían cáncer de intervalo tres exámenes antes del diagnóstico, proporción que aumentó a 39.4% en el examen inmediatamente anterior al diagnóstico.
El único ensayo clínico aleatorizado prospectivo incluido en la revisión, conocido como MASAI y realizado en Suecia con más de 100,000 mujeres, comparó el tamizaje asistido por IA contra la doble lectura estándar sin esta tecnología. El grupo apoyado por IA mostró una tasa de cánceres de intervalo no inferior a la del grupo control, junto con mayor sensibilidad general, especificidad equivalente y una reducción de 44.3% en la carga de trabajo de los radiólogos. Los cánceres de intervalo detectados en el grupo con IA también presentaron características más favorables, con menor proporción de tumores invasivos y de mayor tamaño.
“Esto también pone de relieve áreas importantes donde se necesita más investigación antes de que estas herramientas puedan integrarse plenamente en la atención médica diaria”, Dra. Yu.
La mayoría de los estudios son retrospectivos y utilizan conjuntos de datos enriquecidos con casos ya confirmados de cáncer, lo que estima mejoras teóricas más que beneficios demostrados en la práctica clínica real. Además, la evidencia proviene mayoritariamente de programas europeos con doble lectura, intervalos de tamizaje bianuales o trienales y mamografía digital convencional, contextos que difieren de buena parte de los programas estadounidenses, donde predomina la lectura única, el tamizaje anual y el uso extendido de tomosíntesis. Ninguna de las solicitudes regulatorias presentadas ante la FDA para estos algoritmos incluye datos sobre desenlaces clínicos a largo plazo, etapa del cáncer o desempeño específico frente a cánceres de intervalo.
Los autores concluyen que, si bien la evidencia retrospectiva es consistente en mostrar el potencial de la IA para detectar de forma más temprana un subconjunto de cánceres de intervalo, ninguna de las dos capacidades identificadas, la detección temprana o la predicción de riesgo, se ha demostrado todavía que se traduzca en una reducción medible de la tasa de cánceres de intervalo en la práctica clínica prospectiva. Señalan que actualmente hay varios ensayos clínicos aleatorizados en curso en Estados Unidos, Noruega, Suecia, República Checa y España, cuyos resultados serán determinantes para establecer si la integración de estas herramientas en los flujos de trabajo de tamizaje mejora efectivamente los desenlaces poblacionales de cáncer de mama.
