Rol de la inteligencia artificial en la reducción de biopsias innecesarias en lesiones mamarias BI-RADS 4 en imágenes
DOI:
https://doi.org/10.52611/confluencia.2026.1749Palabras clave:
Neoplasias de la mama, Inteligencia artificial, Diagnóstico por imagen, Aprendizaje profundo, RadiologíaResumen
Introducción: El cáncer de mama es la neoplasia más frecuente en mujeres y una de las principales causas de mortalidad femenina. Su diagnóstico se realiza mediante mamografía, ecografía y resonancia magnética, sin embargo, estas técnicas presentan especificidad limitada, conduciendo a procedimientos invasivos innecesarios en una proporción significativa de casos. En este contexto, la inteligencia artificial emerge como herramienta complementaria a la interpretación radiológica. Objetivo: Analizar la evidencia científica actual acerca del rol de la IA en la radiología mamaria y su impacto en la reducción de biopsias innecesarias en lesiones BI-RADS 4. Metodología: Se realizó una búsqueda sistemática en PubMed, Google Scholar, ScienceDirect, RSNA y MDPI, utilizando descriptores MeSH relacionados con cáncer de mama, radiología mamaria, IA y deep learning, con límite de 10 años (2015-2025). De 134 artículos identificados, se seleccionaron 21 para análisis final. Desarrollo: Los estudios revisados demuestran que los modelos de aprendizaje profundo mejoran el rendimiento diagnóstico en las tres modalidades principales. En mamografía, estos algoritmos identifican una proporción significativa de lesiones BI-RADS 4 como potencialmente benignas manteniendo alta sensibilidad, con potencial para reducir biopsias innecesarias. En ecografía y resonancia magnética, la integración de radiómica e inteligencia artificial mejora la especificidad diagnóstica en la diferenciación de lesiones benignas y malignas respecto a la evaluación visual convencional. Conclusión: La IA tiene amplio potencial para optimizar la interpretación de imágenes mamarias, contribuyendo a reducir biopsias innecesarias en lesiones BI-RADS 4 y a un diagnóstico más preciso y eficiente.
Referencias
1. Bray F, Laversanne M, Sung H, Ferlay J, Siegel RL, Soerjomataram I, et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J Clin [Internet]. 2024 [citado el 24 de febrero 2026];74(3):229-63. Disponible en: https://doi.org/10.3322/caac.21834
2. Sung H, Ferlay J, Siegel RL, Laversanne M, Soerjomataram I, Jemal A, et al. Global Cancer Statistics 2020: GLOBOCAN Estimates of Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. CA Cancer J Clin [Internet]. 2021 [citado el 24 de febrero 2026];71(3):209-49. Disponible en: https://doi.org/10.3322/caac.21660
3. World Health Organization. International Agency for Research on Cancer. Cancer Today. Global Cancer Observatory [Internet]. Lyon: GCO; 2023 [citado el 24 de febrero 2026]. Disponible en: https://gco.iarc.fr/today
4. Wiesenthal J, Kaufmann D, Dolman S. Breast biopsy rates and market dynamics: how provider environment shaped diagnostic practice in 2023. Health Aff Scholar [Internet]. 2025 [citado el 25 de febrero 2026];3(9):qxaf171. Disponible en: https://doi.org/10.1093/haschl/qxaf171
5. Liu C, Sun M, Arefan D, Zuley M, Sumkin J, Wu S. Deep learning of mammogram images to reduce unnecessary breast biopsies: a preliminary study. Breast Cancer Res [Internet]. 2024 [citado el 24 de febrero 2026];26:52. Disponible en: https://doi.org/10.1186/s13058-024-01830-9
6. McKinney SM, Sieniek M, Godbole V, Godwin J, Antropova N, Ashrafian H, et al. International evaluation of an AI system for breast cancer screening. Nature [Internet]. 2020 [citado el 24 de febrero 2026];577(7788):89-94. Disponible en: https://doi.org/10.1038/s41586-019-1799-6
7. Rodriguez-Ruiz A, Lång K, Gubern-Merida A, Broeders M, Gennaro G, Clauser P, et al. Stand-Alone Artificial Intelligence for Breast Cancer Detection in Mammography: Comparison With 101 Radiologists. J Natl Cancer Inst [Internet]. 2019 [citado el 27 de febrero 2026];111(9):916-22. Disponible en: https://doi.org/10.1093/jnci/djy222
8. Abu Abeelh E, AbuAbeileh Z. Comparative Effectiveness of Mammography, Ultrasound, and MRI in the Detection of Breast Carcinoma in Dense Breast Tissue: A Systematic Review. Cureus [Internet]. 2024 [citado el 4 de marzo 2026];16(4):e59054. Disponible en: https://doi.org/10.7759/cureus.59054
9. Lohitvisate W, Kaeorat C, Kwankua A. Mammography of suspicious calcifications among ductal carcinoma in situ and benign breast disease. SA J Radiol [Internet]. 2024 [citado el 4 de marzo 2026];28(1):2852. Disponible en: https://doi.org/10.4102/sajr.v28i1.2852
10. Ghaemian N, Haji Ghazi Tehrani N, Nabahati M. Accuracy of mammography and ultrasonography and their BI-RADS in detection of breast malignancy. Caspian J Intern Med [Internet]. 2021 [citado el 5 de marzo 2026];12(4):573-9. Disponible en: https://doi.org/10.22088/cjim.12.4.573
11. He P, Chen W, Bai MY, Li J, Wang QQ, Fan LH, et al. Deep Learning-Based Computer-Aided Diagnosis for Breast Lesion Classification on Ultrasound: A Prospective Multicenter Study of Radiologists Without Breast Ultrasound Expertise. AJR Am J Roentgenol [Internet]. 2023 [citado el 28 de febrero 2026];221(4):450-9. Disponible en: https://doi.org/10.2214/AJR.23.29328
12. Oh KE, Vasandani N, Anwar A. Radiomics to Differentiate Malignant and Benign Breast Lesions: A Systematic Review and Diagnostic Test Accuracy Meta-Analysis. Cureus [Internet]. 2024 [citado el 27 de febrero 2026];5(11):e49015. Disponible en: https://doi.org/10.7759/cureus.49015
13. Wang W, Li J, Wang Z, Liu Y, Yang F, Cui S. Study on the classification of benign and malignant breast lesions using a multi-sequence breast MRI fusion radiomics and deep learning model. Eur J Radiol Open [Internet]. 2024 [citado el 28 de febrero 2026];13:100607. Disponible en: https://doi.org/10.1016/j.ejro.2024.100607
14. Hellerhoff K, Dietrich H, Schinner R, Rjosk-Dendorfer D, Sztrókay-Gaul A, Reiser M, et al. Assessment of MRI-Detected Breast Lesions: A Benign Correlate on Second-Look Ultrasound Can Safely Exclude Malignancy. Breast Care (Basel) [Internet]. 2021 [citado el 27 de febrero 2026];16(5):435-43. Disponible en: https://doi.org/10.1159/000513443
15. Guirguis MS, Adrada B, Santiago L, Candelaria R, Arribas E. Mimickers of breast malignancy: imaging findings, pathologic concordance and clinical management. Insights Imaging [Internet]. 2021 [citado el 27 de febrero 2026];12(1):53. Disponible en: https://doi.org/10.1186/s13244-021-00991-x
16. Su Y, Qiu Y, Huang X, Peng Y, Yang Z, Ding M, et al. Benign and Malignant Breast Lesions: Differentiation Using Microstructural Metrics Derived from Time-Dependent Diffusion MRI. Radiol Imaging Cancer [Internet]. 2025 [citado el 24 de febrero 2026];7(3):e240287. Disponible en: https://doi.org/10.1148/rycan.240287
17. Ghunaim HA, Alatawi RE, Borhan WM, Daqqaq TS, Alhasan AS, Aboualkheir MM, et al. Accuracy of imaging of BI-RADS 4 subcategorizations in breast lesion diagnosis: Radiologic-pathologic correlation. Saudi Med J [Internet]. 2024 [citado el 26 de febrero 2026];45(11):1228-37. Disponible en: https://doi.org/10.15537/smj.2024.45.11.20240001
18. Nguyen DL, Myers KS, Oluyemi E, Mullen LA, Panigrahi B, Rossi J, et al. BI-RADS 3 Assessment on MRI: A Lesion-Based Review for Breast Radiologists. J Breast Imaging [Internet]. 2022 [citado el 24 de febrero 2026];4(5):460-73. Disponible en: https://doi.org/10.1093/jbi/wbac032
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Revista Confluencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
