IA como segunda lectura en tomosíntesis mamaria: más cáncer detectado sin más rellamados

El ensayo publicado en Nature Medicine evaluó la estrategia de IA como primer filtro que excluye exámenes de bajo riesgo de la lectura radiológica. En la cohorte global la tasa de detección pasó de 6,3 a 7,3 por mil, mientras que la tasa de recall aumentó un 14,8%. Sin embargo, en el análisis por modalidad la tomosíntesis mantuvo tanto la detección como la tasa de recall sin cambios estadísticamente significativos. El estudio incluyó cuatro centros de cribado en Suecia y utilizó un algoritmo de triage validado previamente. Los autores destacan que la reducción de lecturas es especialmente relevante en DBT, cuya interpretación requiere el doble de tiempo que la mamografía digital convencional. Otros trabajos de 2025, como los revisados en radiologialatam.com, señalan que la IA funciona mejor cuando se integra como apoyo y no como lector autónomo. La clave está en ajustar el umbral de riesgo para equilibrar sensibilidad y especificidad en el contexto de cada programa de cribado.

La reducción del 64% en lecturas permite reasignar tiempo a casos complejos o a la revisión de hallazgos dudosos. En el subanálisis de DBT el ahorro alcanzó el 65,5%. Esta cifra se traduce en menos fatiga visual y menor riesgo de errores por agotamiento. Los datos del ensayo muestran que la especificidad se mantiene cuando la IA actúa como triage y el radiólogo revisa solo los exámenes de mayor riesgo. En paralelo, estudios retrospectivos publicados en Diagnostic Imaging durante 2025 observaron que la IA detecta una proporción relevante de cánceres de intervalo que habían pasado desapercibidos en lecturas previas. No obstante, los falsos positivos generados por la IA difieren de los del radiólogo, por lo que la auditoría de resultados sigue siendo necesaria. La integración correcta exige protocolos claros sobre cuándo el radiólogo debe aceptar o rechazar la marca de la IA.

La adopción de IA en tomosíntesis requiere validación local y ajuste de umbrales según la incidencia y la densidad mamaria de la población. Los datos de Nature Medicine indican que el beneficio en reducción de carga es mayor en DBT que en mamografía digital. Programas de cribado que ya utilizan doble lectura pueden sustituir una de las lecturas humanas por la IA en exámenes clasificados como negativos de bajo riesgo. Esta aproximación mantiene la detección y reduce el tiempo total de lectura sin elevar de forma significativa los recalls. La formación de los radiólogos en la interpretación de las puntuaciones de riesgo de la IA es un requisito previo. Además, los sistemas deben cumplir los requisitos de gobernanza de datos y ciberseguridad aplicables en el Espacio Europeo de Datos de Salud. La monitorización continua de métricas como la tasa de cánceres de intervalo y el valor predictivo positivo de los recalls permite detectar desviaciones tempranas.