Inteligencia artificial en mamografía para la tipificación de receptores de cáncer de mama no invasivo: una revisión...

Área de la Ciencia:

• Radiología; Oncología; Inteligencia Artificial

Sus antecedentes:

• La mamografía de cribado es una herramienta clave para la detección del cáncer de mama.
• La predicción precisa del subtipo molecular y el estado del receptor del cáncer de mama es crucial para las decisiones de tratamiento.

Objetivo del estudio:

• Revisar sistemáticamente y meta-analizar el rendimiento de los algoritmos de inteligencia artificial (IA) en la predicción del subtipo molecular y el estado del receptor del cáncer de mama a partir de mamografías de cribado.

Principales métodos:

• Se realizó una revisión sistemática PRISMA-DTA y un metaanálisis bivariado de efectos aleatorios.
• Se realizaron búsquedas en las principales bases de datos científicas (MEDLINE, Embase, Scopus, Web of Science, IEEE Xplore).
• Se incluyeron veinticinco estudios que comparaban las predicciones de mamografías de IA con los hallazgos histopatológicos, y el riesgo de sesgo y la calidad se evaluaron utilizando PROBAST y TRIPOD.

Principales resultados:

• Los modelos de IA demostraron una discriminación de moderada a alta para predecir subtipos de cáncer de mama, con AUC combinados para los subtipos luminal, HER2-positivo y triple negativo que oscilan entre 0,76 y 0,86.
• El rendimiento en la predicción de estados de receptores específicos varió, con AUC para el receptor de estrógeno (0,71), el receptor de progesterona (0,59), HER2 (0,64) y Ki-67 (0,60) en tareas multiclase.
• La predicción del estado del receptor binario mostró AUC de 0,80 para HER2 y 0,71 para el estado positivo del receptor hormonal.

Conclusiones:

• La IA aplicada a la mamografía muestra una capacidad discriminatoria prometedora, de moderada a alta, para predecir subtipos moleculares y estados de receptores de cáncer de mama, particularmente para enfermedades luminales y triple negativas.
• Se observó una heterogeneidad sustancial entre los estudios, lo que indica variabilidad en el rendimiento de los modelos de IA.
• La evidencia actual es insuficiente para la implementación clínica; la investigación futura debe centrarse en cohortes multicéntricas más grandes, canalizaciones estandarizadas, validación externa, cuantificación de la incertidumbre y fusión de datos multimodales.