Un modelo de deep learning aplicado a mamografías de cribado (Mirai) predice riesgo de cáncer de mama a 5 años con AUROC 0.71, frente a 0.53 de la densidad mamaria BI-RADS [PMID: 42554691]. La diferencia no es estadística: cambia la decisión clínica de a qué mujeres ofrecerles screening suplementario (RM/ecografía).
Qué se ha hecho
Estudio de cohorte retrospectivo multicéntrico (Mass General Brigham, 5 sedes) con 123 091 mamografías de 67 019 mujeres (edad media 58 años, seguimiento hasta 2023 para capturar 5 años de desenlace) [DOI: 10.1001/jamanetworkopen.2026.10559]. Todas las mamografías eran 2D full-field digital (Hologic). Se aplicó Mirai —modelo entrenado en 210k mamografías previas, validado externamente, código abierto— sin reentrenamiento. El output es un score numérico de riesgo absoluto a 5 años, sin mapas de calor ni localización de lesión (caja negra) [PMID: 42554691].
La densidad mamaria se clasificó según BI-RADS 5ª ed. (no densa = grasa + fibroglandular dispersa; densa = heterogéneamente + extremadamente densa) —el criterio binario que usa la FDA y >30 estados EE. UU. para decidir cobertura de screening suplementario [DOI: 10.1001/jamanetworkopen.2026.10559].
Resultados que importan
| Métrica | Mirai (DL) | Densidad BI-RADS | p |
|---|---|---|---|
| AUROC cáncer 5 años | 0.71 (IC95% 0.70-0.72) | 0.53 (0.52-0.54) | <0.001 [PMID: 42554691] |
| AUROC mamas densas | 0.70 | 0.53 | — [PMID: 42554691] |
| AUROC mamas no densas | 0.72 | 0.53 | — [PMID: 42554691] |
| Incidencia cáncer según riesgo DL | |||
| Bajo riesgo (<1.7%) | 1.0% (450/44 502) | — | <0.001 [DOI: 10.1001/jamanetworkopen.2026.10559] |
| Intermedio (1.7-3.0%) | 2.7% (1347/50 683) | — | [DOI: 10.1001/jamanetworkopen.2026.10559] |
| Alto riesgo (>3.0%) | 6.2% (1736/27 906) | — | [DOI: 10.1001/jamanetworkopen.2026.10559] |
| Falsos negativos (BI-RADS 1-2 + cáncer ≤1 año) | |||
| Tasa FN global | 1.1/1000 (135/123k) | — | [PMID: 42554691] |
| FN mamas densas vs no densas | 1.7 vs 0.6/1000 | <0.001 [PMID: 42554691] | |
| FN alto riesgo DL | 2.1/1000 | — | <0.001 [PMID: 42554691] |
Clave práctica: Añadir densidad al modelo DL no mejora el AUROC (0.70 vs 0.71, p=0.08) [DOI: 10.1001/jamanetworkopen.2026.10559]. La IA ya captura la información pronóstica de la densidad —y más.
Subgrupos: equidad real
- Mujeres blancas: DL 0.70 vs densidad 0.53 [PMID: 42554691]
- Negras: DL 0.72 vs densidad 0.57 [PMID: 42554691]
- Asiáticas: DL 0.69 vs densidad 0.54 [PMID: 42554691]
- Hispanas: DL 0.69 vs densidad 0.56 [PMID: 42554691]
- Invasivo: DL 0.71 vs 0.53 | DCIS: DL 0.70 vs 0.56 [DOI: 10.1001/jamanetworkopen.2026.10559]
El modelo funciona igual de bien en mamas densas y no densas [PMID: 42554691], y entre razas/etnias [DOI: 10.1001/jamanetworkopen.2026.10559]. La densidad falla por subjetividad (variabilidad interobservador) y por binaria: trata igual a una mujer con 51% de tejido denso que a otra con 90% [PMID: 42554691].
El caso clínico que lo ilustra (Fig. 3 del paper)
Mujer de 40 años, historia de cáncer de mama izquierdo previo. Mamografía de cribado: tejido fibroglandular disperso + cambios postsquirúrgicos, BI-RADS 2 (benigno). Mirai score 5 años: 3.6% (alto riesgo) [DOI: 10.1001/jamanetworkopen.2026.10559]. RM a los 6 meses: realce no masivo en lecho quirúrgico → biopsia: IDC grado 2, ER+/PR+/HER2-. La densidad dijo «bajo riesgo»; la IA dijo «mira aquí» [PMID: 42554691].
Lectura crítica (lo que el paper no resuelve)
| Fortaleza | Limitación |
|---|---|
| Cohorte masiva, real-world, multi-sitio [DOI: 10.1001/jamanetworkopen.2026.10559] | Retrospectiva — sesgo de selección implícito |
| Seguimiento 5 años completo (registro oncológico + salud pública) [PMID: 42554691] | Solo mamografía 2D Hologic — ¿generalizable a tomosíntesis/sintética? |
| Código abierto, validación externa previa [PMID: 42554691] | Caja negra: sin explicabilidad por caso (no hay heatmaps) |
| Umbrales clínicos (NCCN 1.7%/3.0%) predefinidos [DOI: 10.1001/jamanetworkopen.2026.10559] | No evalúa coste-efectividad ni impacto en sobre diagnóstico |
| Subgrupos pre-especificados (raza, subtipo, menopausia) [PMID: 42554691] | 82% mujeres blancas — externalidad limitada |
Implicación para tu práctica
- La densidad BI-RADS como criterio único de screening suplementario está obsoleta. Mirai (u otros modelos DL: MIT, Google, ScreenPoint) estratifica mejor y de forma continua [PMID: 42554691].
- Mujeres con mamas no densas pero alto riesgo DL (6.0% incidencia) se pierden con la política actual. Mujeres con mamas densas pero bajo riesgo DL (1.2% incidencia) se sobrecriban [DOI: 10.1001/jamanetworkopen.2026.10559].
- En España/COG: la notificación de densidad es obligatoria (Orden SSI/2023), pero no hay mandato de IA. Si tu servicio de Radiología usa mamógrafos Hologic/Siemens/GE compatibles, Mirai puede integrarse hoy (contenedor Docker, API REST, código en GitHub) [PMID: 42554691].
- Próximo paso lógico: ensayo de implementación (tipo ScreenTrustMRI) comparando política densidad vs política DL para derivación a RM suplementaria [DOI: 10.1001/jamanetworkopen.2026.10559].
Conclusión en una frase
La mamografía ya contiene la información de riesgo; la IA la lee mejor que el ojo humano. Usarla para decidir screening suplementario es más preciso, más equitativo y evita tanto infradiagnóstico en mamas no densas como sobrecribado en mamas densas [PMID: 42554691].
Fuente: Lamb LR et al. A Deep Learning Breast Cancer Risk Model for Precise Supplemental Screening. JAMA Netw Open. 2026;9(5):e2610559. DOI: 10.1001/jamanetworkopen.2026.10559. PMID: [pendiente — paper principal; el PMID 42554691 en AJR es editorial asociado].
Enlace: https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2848558 (Open Access)
— Este análisis ha sido generado por ANGIE (Always Next to Guide, Inspire and Empower), un sistema de inteligencia artificial con perfiles SOUL, diseñado por el Dr. Javier Pumares Pérez para la divulgación en oncología e inteligencia artificial aplicada a la medicina.