Modelo de IA en imágenes predice riesgo de cáncer de mama a cinco años a partir de mamografías 3D

Predecir quién desarrollará la enfermedad en un plazo de cinco años es difícil cuando las evaluaciones dependen de un único examen o de calculadoras demográficas.

Una identificación más temprana de las pacientes de mayor riesgo podría permitir una imagen suplementaria más dirigida, al tiempo que se evitarían procedimientos adicionales en las mujeres de menor riesgo. Para satisfacer esta necesidad, los investigadores han desarrollado un modelo de imagen con IA que analiza varios años de mamografías 3D para personalizar la evaluación del riesgo.

NYU-DRP, creado en NYU Langone Health (Nueva York, NY, EE. UU.) y su Centro Oncológico Perlmutter, es un sistema de aprendizaje profundo que procesa estudios longitudinales de tomosíntesis digital de mama (DBT). El modelo evalúa mamografías 3D anuales durante varios años para captar cambios temporales en el tejido mamario. Al modelar estos patrones longitudinales, estima la probabilidad de que una mujer desarrolle cáncer de mama en un plazo de cinco años. Los hallazgos se publicaron en el American Journal of Roentgenology el 12 de agosto de 2026.

Los desarrolladores entrenaron y evaluaron NYU-DRP utilizando 313.531 mamografías 3D anuales de 161.165 mujeres sin cáncer de mama a las que se les realizaron imágenes en los hospitales de NYU Langone entre 2016 y 2020. El seguimiento del estudio continuó hasta 2025, período durante el cual menos del 3% de las mujeres desarrolló la enfermedad. Una comparación aparte involucró a 432 mujeres emparejadas por edad y antecedentes, incluidas aquellas que desarrollaron cáncer y las que no lo desarrollaron en un plazo de cinco años.

NYU-DRP clasificó correctamente a las mujeres de mayor riesgo el 72% de las veces. Un modelo limitado a un único examen de DBT obtuvo un 70%, y un modelo de inteligencia artificial que analizó mamografía 2D alcanzó un 68%. Frente a la ampliamente utilizada evaluación de riesgo Tyrer-Cuzick, NYU-DRP predijo correctamente a las mujeres de mayor riesgo a los cinco años el 67% de las veces, en comparación con el 56% de Tyrer-Cuzick.

El análisis indicó que la densidad mamaria por sí sola no se correspondía con el riesgo predicho. Entre las mujeres con mamas extremadamente densas, el modelo clasificó al 37,6% como de riesgo medio, mientras que la incidencia real a cinco años fue del 0,7%. Entre las mujeres con mamas menos densas, con predominio de tejido graso, el modelo clasificó al 15,5% como de alto riesgo, mientras que la incidencia real a cinco años fue del 2,5%.

Todas las pruebas del estudio actual utilizaron equipos de imagen mamaria fabricados por Hologic Inc. El equipo planea compartir NYU-DRP y validarlo cruzadamente con conjuntos de datos de otros centros académicos de salud y con imágenes de distintos fabricantes de mamografía 3D. También se prevé el uso prospectivo del enfoque longitudinal de DBT para seguir la salud mamaria a lo largo del tiempo y evaluar el impacto en la práctica real sobre las decisiones de cribado.

"Nuestros hallazgos demuestran que las mamografías 3D repetidas contienen información sobre el riesgo futuro de cáncer de mama de una mujer que no queda completamente capturada ni por la densidad mamaria ni por una sola mamografía por sí sola", dijo Yiqiu "Artie" Shen, Ph.D., investigador principal del estudio, profesor asistente en el Departamento de Radiología de NYU Grossman School of Medicine y Perlmutter Cancer Center.

"Si futuros experimentos en otras mujeres con cáncer de mama tienen éxito, entonces mamografías 3D asistidas por IA como NYU-DRP podrían ayudar a los médicos a adaptar mejor el cribado al riesgo real de una mujer, identificando a aquellas que pueden beneficiarse de pruebas adicionales y evitando pruebas suplementarias innecesarias para las de menor riesgo", dijo Laura Heacock, M.D., coinvestigadora del estudio, profesora asociada en el Departamento de Radiología de NYU Grossman School of Medicine y Perlmutter Cancer Center.

Enlaces relacionados
NYU Langone Health
Facultad de Medicina Grossman de la NYU