Aplicaciones clínicas de la inteligencia artificial en mamografía

Desafíos y oportunidades en la práctica radiológica

Autores/as

DOI:

https://doi.org/10.20983/cienciavital.2026.03.sal.02

Palabras clave:

Inteligencia artificial, Mamografía, Cáncer de mama, Diagnóstico

Resumen

La inteligencia artificial está transformando la interpretación de las mamografías y abre nuevas posibilidades para apoyar la detección temprana del cáncer de mama. Aunque la mamografía es fundamental para identificar la enfermedad antes de que aparezcan síntomas, factores como la densidad del tejido mamario, la fatiga visual y las diferencias de interpretación entre especialistas pueden dificultar el diagnóstico. En este contexto, la IA puede funcionar como una aliada del radiólogo al priorizar estudios, señalar regiones sospechosas y reducir la carga de trabajo. Este artículo presenta las principales formas en que esta tecnología se incorpora al análisis de mamografías, así como sus beneficios y desafíos. Si bien puede contribuir a detectar más casos y hacer más eficiente la atención, también plantea riesgos relacionados con falsas alarmas, sesgos, privacidad y responsabilidad ante posibles errores. Su implementación gradual, transparente y supervisada puede ayudar a aprovechar sus beneficios sin sustituir el juicio clínico y el componente humano de la atención médica.

Biografía del autor/a

Yazmín Mireles, Universidad Autónoma de Ciudad Juárez

Médica egresada de la Universidad Autónoma de Nuevo León y estudiante de la Maestría en Ingeniería Eléctrica en la Universidad Autónoma de Ciudad Juárez, donde actualmente cursa el cuarto y último semestre. Su trabajo de tesis se enfoca en el uso de inteligencia artificial para identificar lesiones malignas de mama en imágenes de mamografía, con el propósito de contribuir al desarrollo de herramientas tecnológicas de apoyo al diagnóstico médico. Durante su formación académica ha participado en actividades de investigación en el área de endocrinología y ha recibido distinciones por su desempeño académico. Sus áreas de interés incluyen la investigación, la enseñanza, la inteligencia artificial y el desarrollo de tecnología aplicada al ámbito biomédico.

José David Díaz Román, Universidad Autónoma de Ciudad Juárez

Ingeniero electrónico por el Instituto Politécnico de las Fuerzas Armadas Nacionales, en Venezuela, y Doctor en Ingeniería por la Universidad Simón Bolívar. De 1998 a 2016 formó parte del Programa de Electromedicina-Ingeniería Biomédica de la Universidad Nacional Experimental Francisco de Miranda. Desde 2016 es profesor-investigador de tiempo completo del Departamento de Ingeniería Eléctrica y Computación de la Universidad Autónoma de Ciudad Juárez, donde participa en el programa de Ingeniería Biomédica y en los núcleos académicos de la Maestría en Ingeniería Eléctrica y el Doctorado en Ciencias de la Ingeniería Avanzada, programa que actualmente coordina. Sus líneas de investigación incluyen el procesamiento digital de señales e imágenes, la inteligencia artificial, la instrumentación electrónica y biomédica, y las redes inalámbricas de sensores. Cuenta con publicaciones científicas y capítulos de libro nacionales e internacionales, y experiencia en herramientas de programación como Python, MATLAB, C/C++, R y LabVIEW. Es miembro del Sistema Nacional de Investigadoras e Investigadores (SNII), Nivel I, y cuenta con Perfil PRODEP.

Boris Mederos-Madrazo, Universidad Autónoma de Ciudad Juárez

Profesor titular en la Universidad Autónoma de Ciudad Juárez. Su trabajo se centra en las matemáticas aplicadas y la inteligencia artificial, con especial interés en el aprendizaje automático, el procesamiento de imágenes, el reconocimiento de patrones y el modelado matemático. Obtuvo la Maestría y el Doctorado en Matemáticas en el Instituto de Matemática Pura y Aplicada (IMPA), en Brasil, y realizó estancias posdoctorales en la Universidad de California, Davis, y en el propio IMPA. Su labor académica integra fundamentos matemáticos, desarrollo computacional y aplicaciones orientadas a la solución de problemas científicos y tecnológicos.

Lidia Rascón-Madrigal, Universidad Autónoma de Ciudad Juárez

Ingeniera Industrial en Electrónica y Maestra en Ciencias de la Ingeniería Electrónica, con experiencia en instrumentación electrónica, investigación, docencia y gestión académica. Actualmente es coordinadora de la Maestría en Ingeniería Eléctrica de la Universidad Autónoma de Ciudad Juárez, donde cuenta con 28 años de experiencia docente en programas de licenciatura y posgrado. A lo largo de su trayectoria ha dirigido tesis de licenciatura y maestría, contribuyendo a la formación de profesionistas e investigadores en ingeniería. Su producción académica incluye publicaciones en revistas indexadas, participación en congresos nacionales e internacionales y colaboración en capítulos de libro. Además, es autora de una patente y un modelo de utilidad, como resultado de su trabajo en innovación tecnológica y aplicación del conocimiento científico.

Citas

F. Bray, M. Laversanne, H. Sung, J. Ferlay, R. L. Siegel, I. Soerjomataram, and A. Jemal, “Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries,” CA Cancer J. Clin., vol. 74, no. 3, pp. 229–263, May 2024, doi: https://doi.org/10.3322/caac.21834.

Colegio y Asociación Mexicana de Patólogos, A.C., Consenso mexicano sobre diagnóstico y tratamiento del cáncer mamario, 11th ed., México, 2025. [Online]. Available: https://ampatologia.org/amp/static/descargas/CONSENSO_CANCER_MAMA_2025.pdf.

C. E. Ventura-Alfaro, “Errores de medición en la interpretación mamográfica por radiólogos,” Rev. Salud Pública, vol. 20, no. 4, pp. 518–522, 2018.

K. Lång et al., “Artificial intelligence-supported screen reading versus standard double reading in the Mammography Screening with Artificial Intelligence (MASAI) trial,” Lancet Oncol., vol. 24, no. 8, pp. 936–944, Aug. 2023, doi: https://doi.org/10.1016/S1470-2045(23)00298-X.

N. Eisemann, S. Bunk, T. Mukama, H. Baltus, S. A. Elsner, et al., “Nationwide real-world implementation of AI for cancer detection in population-based mammography screening,” Nat. Med., vol. 31, no. 3, pp. 917–924, Mar. 2025, doi: https://doi.org/10.1038/s41591-024-03408-6.

S. M. McKinney et al., “International evaluation of an AI system for breast cancer screening,” Nature, vol. 577, no. 7781, pp. 89–94, Jan. 2020, doi: https://doi.org/10.1038/s41586-019-1799-6.

A. N. Ng et al., “Prospective implementation of AI-assisted screen reading to improve early detection of breast cancer,” Nat. Med., vol. 29, no. 12, pp. 3044–3049, Dec. 2023, doi: https://doi.org/10.1038/s41591-023-02625-9.

L. E. Philpotts, “Evaluating whether standalone AI really stands up,” Radiology, vol. 315, no. 1, Apr. 2025, doi: https://doi.org/10.1148/radiol.250364.

A. Rodriguez-Ruiz et al., “Detection of breast cancer with mammography: Effect of an artificial intelligence support system,” Radiology, vol. 290, no. 2, pp. 305–314, Feb. 2019, doi: https://doi.org/10.1148/radiol.2018181371.

A. Rodriguez-Ruiz et al., “Stand-alone artificial intelligence for breast cancer detection in mammography: Comparison with 101 radiologists,” J. Natl. Cancer Inst., vol. 111, no. 9, pp. 916–922, Sep. 2019, doi: https://doi.org/10.1093/jnci/djy222.

C. Monaldi et al., “Artificial intelligence in radiology: Navigating medical responsibility and bias,” Diagnostics, vol. 14, no. 14, 2024, doi: https://doi.org/10.3390/diagnostics14141506.

E. J. Topol, “High-performance medicine: The convergence of human and artificial intelligence,” Nat. Med., vol. 25, pp. 44–56, 2019, doi: https://doi.org/10.1038/s41591-018-0300-7.

B. B. Ozcan, B. E. Dogan, Y. Xi, and E. E. Knippa, “Perception of patients regarding the use of artificial intelligence in screening mammography interpretation: A survey study,” Radiology: Artificial Intelligence, 2024, doi: https://doi.org/10.1148/rycan.240290.

Radiological Society of North America (RSNA), “Radiologist fatigue, experience affect breast imaging call backs,” Jan. 11, 2022. [Online]. Available: https://www.rsna.org/media/press/i/2323. [Accessed: Apr. 12, 2026].

Y. Chen, G. J. W. Partridge, M. Vazirabad, R. L. Ball, H. M. Trivedi, F. C. Kitamura, H. M. L. Frazer, et al., “Performance of algorithms in the 2023 RSNA screening mammography breast cancer detection AI challenge,” Radiology, Aug. 2025, doi: https://doi.org/10.1148/radiol.241447.

Descargas

Publicado

30-09-2026

Número

Vol. 4 Núm. 3 (2026): julio-septiembre 2026

Sección

Ciencias de la Salud

Licencia

Derechos de autor 2026 Yazmín Mireles, José David Díaz Román, Boris Mederos-Madrazo, Lidia Rascón-Madrigal

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.